如何解决机器学习的 MLOps 工具混乱

多年来，我们一直在使机器学习过于复杂。有时我们将它与过度炒作的人工智能混淆，谈论用机器人推理代替人类，而实际上 ML 是用高级模式识别增强人类智能。或者，当更基本的 SQL 查询可以完成工作时，我们会深入学习深度学习。但也许今天 ML 的最大问题是我们制造工具的复杂程度，因为正如 Confetti AI 联合创始人 Mihail Eric 所假设的那样，ML“工具环境不断变化的职责和新的生产线对于该领域的新手来说尤其困难”，这使得“迈出 MLOps 的第一步非常艰难”。

埃里克认为，问题在于没有人愿意被排除在 ML 淘金热之外。鉴于承诺用下一个算法解决数十亿美元的问题，数十亿美元被用于创建新公司。这些公司中的每一个都想向您出售新的模型/功能/指标/等，商店(这只是一种不必要的花哨的说法数据库)。事实上，根据最近发布的 2022 年斯坦福人工智能指数报告，2021 年对 ML(及相关人工智能)的私人风险投资增长到 935 亿美元，是 2020 年的两倍多。反过来，我们看到更多的研究、更多的学生、更多的东西流入 ML。

还有更多的工具。很多很多更多的工具。

在此过程中，Eric 指出，“整个领域仍在标准化构建成熟 ML 管道的最佳方式。围绕最佳实践达成共识将很容易实现 5 到 10 年以上的转型。” 与此同时，预计 MLOps 的环境会有些泡沫、混乱。

与此同时，振作起来。尽管谷歌和亚马逊等公司(埃里克在亚马逊工作期间从事 Alexa 工作)为 ML 的承诺定下了基调，但“事实上，只有少数超级复杂的人工智能优先企业拥有强大的机器学习基础设施来处理他们的 PB 级数据。数据，”埃里克强调。我们中的大多数人都是 ML 新手，换句话说，无论我们的 LinkedIn 个人资料中是否有相反的说法。

免责声明：本文由用户上传，如有侵权请联系删除！