快速交付机器学习项目的经验

快速交付机器学习项目的经验

编者按：Insight Data Science AI负责人Emmanuel Ameisen和前百度硅谷人工智能实验室主管Adam Coates分享了快速交付机器学习项目的经验。

由于机器学习（ML）日益成为每个产业的重要组成部分，对机器学习工程师的需求增长迅猛。机器学习工程师结合机器学习技术与软件工程知识，为给定的应用寻求表现优异的模型，同时处理随之而来的实现的挑战——从创建训练基础设施到为部署模型做准备。虽然网上不断出现训练工程师创建ML模型并解决遇到的各种软件挑战的资源，而新ML团队最常遇到的一个障碍却是保持和传统软件工程同等水准的进度。

这一挑战最关键的原因是开发新ML模型的过程从一开始就是高度不确定的。毕竟，在最后的训练完成之前，很难知晓模型表现有多好，更别说大量的调参和采用不同的建模假定对模型表现有什么影响了。

多种职业人士面临类似的情况：软件和商业开发者，寻求产品-市场契合的初创企业，处于信息有限的演习之中的飞行员。每种职业人士采用一种常见框架以帮助团队在不确定的情况下高效作业：软件开发的敏捷原则，精益创业，美国空军的OODA循环。机器学习工程师可以遵循类似的框架，应对不确定性，迅速交付伟大的产品。

ML工程循环

本文将介绍机器学习的OODA循环：ML工程循环，其中ML工程师不断进行以下四个步骤：

分析

选型

实现

测量

从而快速、高效地发现最佳模型，并适应未知数据。此外，我们也为每个阶段提供了具体的窍门，并将介绍如何优化整个过程。