认识达内从这里开始

随着互联网的不断发展，越来越多的企业都引入了人工智能技术，而本文我们就通过案例分析来简单了解一下，人工智能技术发展趋势。

1.实时用例推动ML技术堆栈的变化

一直生活在数据仓库世界并支持分析/批处理工作负载的组织需要重新评估他们的技术堆栈，着眼于实时用例的事务处理。他们还需要依靠负责任的人工智能，以确保他们在与客户互动时不会从有用的超个性化变成令人毛骨悚然的界限。

2.加强AI监管使人们关注支持道德AI的工具

围绕人工智能的拟议法规数量正在迅速增加，这表明公司自行监管其AI/ML项目(或根本不监管)的时代即将结束。

公司必须确保他们拥有企业模型管理工具以满足新的监管要求，例如“算法设计评估”和“算法影响评估”。这意味着能够跟踪和报告模型是如何创建、训练、测试、部署、监控和管理的。如果你没有适当的道德委员会来监督AI/ML，现在是时候建立一个，在监管机构来敲你的门之前。

3.模型管理成为机器学习的重心

机器学习工具仍然高度分散。这带来的挑战之一是，迄今为止，不同的利益相关者(从业者、管理层、风险和IT)还没有对端到端ML生命周期有一个共同、统一的看法。但现在，模型管理平台将提供一个重心，将围绕实验、生产、机器学习数据和编排的独立工具捆绑在一起。实际上，模型管理平台成为企业管理所有AI/ML的控制塔。

对机器学习采取整体方法，并考虑如何在整个模型生命周期中管理模型。您的ML工具是否具有可让您端到端管理模型的重心?识别并填补实验、生产、ML数据和编排工具中的空白，同时实施模型管理平台，使您能够查看和控制整个模型生命周期。

4.公司建立机器学习平台团队以确保关键业务模型顺利运行

认真对待实时机器学习的公司将组建一个ML平台团队，以确保他们的模型与其他关键业务应用程序具有相同的高可靠性和可用性。ML平台团队组装、管理和改进工具，使模型在生产中顺利运行。挑战在于寻找并雇用具备担任该职位所需的技术和软技能的“独角兽”。

您无需聘请数十名平台工程师即可开始。只需一两个工程师即可开始构建您的ML平台团队。(注意：希望提升技能水平的DevOps工程师可能是不错的候选人。)为团队配备一套良好的可操作AI工具，以快速提高AI/ML项目的性能，然后在这些成功的基础上再接再厉。

5.机器学习产业化推动机器学习流程标准化

通常，在AI/ML在大型组织中扎根的地方，我们看到孤立的数据科学团队分布在不同的业务部门，每个部门都有自己的工具和流程。当ML处于小规模、定制项目的手工阶段时，这是可行的。但是，当一家公司将ML用于工业规模的面向客户的应用程序时，治理就变得必不可少，而治理需要具有制衡机制的标准化流程来提高效率，同时降低风险。

确定一个小组来领导整个公司的ML标准化。这可以是企业架构组、数据科学卓越中心或ML平台团队。该小组的任务是创建企业范围的标准，以实现ML的快速和大规模，但有确保遵循正确流程并将风险降至低的护栏。

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益!更多内容请加danei456学习了解。欢迎关注“达内在线”参与分销，赚更多好礼。