Categories
程式開發

机器学习面临的挑战是工程问题,不是数据科学问题


本文讲述了从数据科学转向机器学习工程的途径及意义。

本文最初发表在 Towards Data Science 博客上,经原作者 Caleb Kaiser 授权,InfoQ 中文站翻译并分享。

在过去 20 年,机器学习一直围绕着这样一个问题展开:我们能不能训练一个模型去做一些事情?

当然,有些事情可以是任何任务。比如,预测句子中的下一个单词、识别照片中的面孔、生成某种声音。我们的目标是想看一看,如果我们能够做出准确的预测,那么机器学习是否还有效。

多亏了数据科学家几十年来的研究工作,我们现在才有了如此多的模型,可以用来做很多事:

  • OpenAI 的 GPT-2(以及现在的 GPT-3),可以生成人们能够阅读的文本,效果还过得去。
  • 像 YOLOv5 这样的对象检测模型(官方版本的争论暂且不提)可以解析每秒 140 帧的视频中的对象。
  • 像 Tacotron 2 这样的文本到语音模型可以生成听起来像人类的语音。

数据科学家和机器学习研究人员所做的工作令人难以置信,因此,第二个问题便自然而然地出现了:

我们可以用这些模型来构建什么?以及我们如何才能做到呢?

这显然不是一个数据科学的问题,而是一个工程问题。为了回答这一问题,一门新学科应运而生:机器学习工程

原文链接:【https://www.infoq.cn/article/JywDelJDh1GQpegI5Z6e】。未经作者许可,禁止转载。