Da die Dinge so sind, wie sie sind, ist die normale Entscheidung, eine Gruppe von Informationsforschern zu beauftragen, um Ihre Gedanken aufzubauen, korrekt?
Alles in allem, eigentlich nicht.
Datenforscher entstammen im Vergleich zu Programmierern in der Regel einer unerwarteten Grundlage. Sie sind nicht wirklich unglaubliche Software-Ingenieure. In der Tat haben sie nie erwartet, sie zu sein – für einen Informationsforscher ist Kodierung einfach nur eine Möglichkeit, die Ebbe und Flut zu beleuchten. Und das war’s auch schon. Ganz und gar nicht wie Programmierer betrachten sie den Code nicht als eine Art Handwerkskunst. Offensichtlich ist ihr Scharfsinn unbezahlbar, aber der Umfang der Fähigkeiten, die für einen effektiven Informationsforscher erforderlich sind, ist ab sofort sehr groß (insbesondere, wenn das Feld mit den neuen Enthüllungen immer weiter voranschreitet und ein riesiges Segment der hart verdienten Daten regelmäßig veraltet). Übermäßig breit. Man kann von einer Person, die ausnahmsweise mit PC-Vision oder präskriptiver Untersuchung arbeitet, nicht erwarten, dass sie zusätzlich als Brot-und-Butter-Software-Ingenieur arbeitet, die Modelle herstellt und sie in den überwältigenden anpassungsfähigen Wolkenzustand versetzt. Und dabei ebenfalls einen erstklassigen, wiederverwendbaren Code zu erhalten. Nützliche Programmierung verwenden. Oder dann wieder aufnahmefähig. Oder auf der anderen Seite beides.
Andererseits sind Programmierarchitekten in Bezug auf KI sehr gehalten. Die ganze Idee ist aus ihrer Sicht ziemlich eigenartig, besonders wenn die meisten vermeintlichen Modelle, die ihre informationswissenschaftliche Gruppe erstellt, kurze, hackige Inhalte mit abnormalen Strategieaufrufen und unzusammenhängendem Code in einem neuen Dialekt sind. Wo sind all die Strukturdesigns? Wo ist der perfekte Code? Wo wird protokolliert oder beobachtet? Aus welchem Grund ist der Code nicht wiederverwendbar? Sollte der Code, der sich um ein solch unvorhersehbares Problem kümmert, nicht mehr als 200 Zeilen lang sein? Es ist ein erschreckender Inhalt, dass nur eine einzige Person ihn bekommen kann! Ist es auf jeden Fall so, dass die Programmierung länger dauert?
Die Fusion
Als diese Auseinandersetzung aufkam, wurde ein Bedarf erkannt. Ein Bedürfnis nach einer Person, die zwei Kriegsparteien wieder zusammenführen würde. Eine Person, die mit beiden Bereichen nur so vertraut ist, dass sie den Posten voll einsatzfähig macht. Jemand, der den Code der Informationsforscher nimmt und ihn immer überzeugender und vielseitiger macht. Mit ihnen verschiedene Programmierungsregeln und großartige Praktiken kennenlernt. Unaufhörlich Teile des Codes abstrahiert, die in der Zukunft verwendet werden können. Das Zusammenfügen der Ergebnisse von möglicherweise irrelevanten Aufgaben, um die Ausführung des Modells noch erheblich zu verbessern. Klärung der Erklärungen für kompositorische Gedanken gegenüber der Devops-Gruppe. Einsparung von Programmieringenieuren beim Erlernen von Ideen, die den Weg über das Ausmaß der Prämien hinausgehen.
Dieser Bedarf wurde mit einem Anstieg der Arbeitsplätze für KI-Ingenieure gedeckt.
Was in allen Artikeln, Lehrübungen und Büchern über die ML ständig fehlt, ist die Generationsbedingung. Sie existiert wirklich nicht. Informationen werden aus CSVs gestapelt, Modelle werden in Jupyter hergestellt, ROC-Bögen werden gezeichnet und voilà – Ihr KI-Artikel ist einsatzbereit. Zeit für eine weitere Runde der Saatgut-Subventionierung!
In Wirklichkeit ist der größte Teil Ihres Codes nicht an KI gebunden. Um ehrlich zu sein, nimmt der entsprechende Code in der Regel nur ein paar Prozent Ihrer gesamten Codebasis in Anspruch! Ihre geübte Entdeckung bietet nur die geringfügige JSON-Antwort – es ist eine riesige Anzahl von Codezeilen erforderlich, um dieser Erwartung nachzukommen. Oder auf der anderen Seite erhalten Sie vielleicht nur eine erstellte Datenbanktabelle mit Wissensbits. Noch einmal, ein ganzes Framework sollte darauf basieren, damit es hilfreich ist! Sie müssen sich die Informationen beschaffen, sie ändern und mischen, Ihre Einsätze robotisieren, die Wissensbrocken irgendwo dem Endkunden präsentieren. Unabhängig davon, wie geringfügig das Thema ist, das Ausmaß der Arbeit, die rund um die KI selbst zu leisten ist, ist enorm, unabhängig davon, ob Sie Ihr Unternehmen mit Fortschritten wie z.B. Apache Windstrom oder NiFi hochfahren.
Allerdings muss sich jemand an jeden einzelnen der Teile “Informationswissenschaft” und “Programmierung” zusammen halten. Nehmen Sie das vorbereitete Modell und lassen Sie es einen Versuch der Qualitätserzeugungsbedingung machen. Zeitplan verklumpen Berufe, die Wissenstabellen neu berechnen. Servieren Sie das Modell nach und nach und zeigen Sie seine Darstellung in der Natur. Darüber hinaus ist dies definitiv der Bereich, in dem KI-Ingenieure glänzen.
Bei der Programmierung suchen die Ingenieure normalerweise nach allen potenziellen Ergebnissen in allen Aspekten der Nutzung. Was Sie von einem Informationsforscher erhalten, ist nur ein optimistischer Weg, der zur Modellerstellung für die spezifischen Informationen zu einer bestimmten Minute in der Zeit auffordert. Außer wenn es sich um eine einmalige explizite Untersuchung handelt, wird das Modell noch eine ganze Weile leben, nachdem es produziert wurde. Hinzu kommt, dass im Laufe der Zeit die Bugs und all die Randfälle auftauchen (viele davon waren bei der Erstellung des Codes keineswegs vorstellbar). Plötzlich taucht in einem der Abschnitte ein weiterer obskurer Wert auf, und das ganze Modell beginnt, viel bedauerlicher zu funktionieren.
Als KI-Ingenieur richten Sie Ihre Anwendungen für solche Anlässe ein. Sie geben die Protokollierung und Beobachtung von Pipelines um KI-Besorgungen herum sowie innerhalb dieser Pipelines. Sie versuchen, alle Daten zu schützen, so dass es denkbar ist, auf wichtige Anfragen zu reagieren: Was ist der Grund für die Präsentation des schrecklichen Modells? Seit wann tritt es auf?
Es ist einfach eine weitere Programmierschnittstelle
Da Sie ML nicht als Verzauberung betrachten, wissen Sie um alle anderen normalen Programmiergefahren, die bei der Ausführung einer KI-Arbeit auftreten können. Die Datenbank kann die Assoziation ablehnen. GroupBy kann bei einem enormen Datenbestand explodieren. Der Speicher oder Kreis kann voll sein. Eine vom Kunden angegebene Mischung von Parametern kann für bestimmte Berechnungen unzulässig sein. Äußerer Beistand könnte mit Bruchbefreiung statt mit Akkreditierungen reagieren. Ein Abschnitt kann nicht mehr existieren. Zwar schielt niemand ein Auge zu, wenn solche Gelegenheiten in einem geschützten Laborzustand regelmäßig auftreten, aber es ist Ihre Pflicht, zu garantieren, dass sie nicht auftreten, wenn das Endergebnis wirklich übermittelt wird.
Ihre informationswissenschaftliche Gruppe ist in jedem Fall voller Gedanken. Sie müssen sicherstellen, dass keine Innovation sie einschränkt. So groß und anpassungsfähig die gegenwärtigen ML-Strukturen auch zu sein scheinen, irgendwann werden Ihre Partner einen fesselnden Anwendungsfall haben, der mit keinem von ihnen realisierbar ist. Alles in allem, nicht mit Standard-APIs. Wenn Sie jedoch in ihre Interna eintauchen, sie ein wenig verändern und in die eine oder andere Bibliothek einfügen, machen Sie es denkbar. Man missbraucht die Strukturen und nutzt sie bis zu ihrer maximalen Kapazität. Das erfordert sowohl breite Programmierungen als auch KI-Informationen, etwas, das für Ihre Arbeit in der Gruppe sehr einzigartig ist.
Auch wenn die Struktur alles gibt, was man braucht, um geschickt zu programmieren, kann es auf jeden Fall immer noch Probleme mit der fehlenden Kontrolle der Berechnung geben. Riesige neuronale Systeme erfordern einen enormen Aufwand bei der Vorbereitung. Diese wertvolle Zeit könnte durch eine Größenanforderung vermindert werden, falls Sie GPU-Systeme verwenden, die auf bahnbrechenden Maschinen laufen. Sie sind derjenige, der die potenziellen Ergebnisse auskundschaftet, die Vor- und Nachteile der verschiedenen Wolkenalternativen betrachtet und die am besten geeignete auswählt.
Möglicherweise sind Sie auch dafür verantwortlich, verschiedene Geräte und Umgebungen auszuwählen und dabei ständig über den gesamten Lebenszyklus des Unternehmens nachzudenken (nicht nur über den verrückten Forschungsteil) – z.B. Sky blue ML Workbench oder IBM Watson mögen außergewöhnliche Instrumente sein, um die Aufgabe zu starten und die Exploration zu leiten, aber sie erfüllen nicht wirklich alle Erfordernisse Ihrer letzten Form des Gegenstandes in Bezug auf benutzerdefinierte Buchung und Beobachtung.
Man sollte sich über den Stand der handwerklichen Fortschritte auf dem Laufenden halten und ständig nach den Stellen suchen, an denen die allgemeine Ausführung der Gegenstände verbessert werden könnte. Sei es eine kampferprobte Programmiersprache, eine neue Innovation in der Wolke, eine scharfsinnige Planung oder ein Kontrollrahmen – wenn Sie Ihren Artikel auf dem Masterplan beobachten und ihn sowohl von der Entwurfs- als auch von der Geschäfts- und Wissenschaftsseite her gut umsetzen, sind Sie häufig die wichtigste Person, die die Chance hat, die potenzielle Zone des Fortschritts zu erkennen.
Dies bedeutet regelmäßig, dass der Arbeitscode genommen und in einer anderen Innovation und Sprache vollständig geändert werden muss. Wenn man glücklicherweise “in den Griff” bekommt, worum es sich bei diesem Flickwerk in Wirklichkeit handelt und welche Schritte während der Zeit, die mit dem Lernen und der Produktion der Modelle verbracht wird, ständig unternommen werden, versteht man, dass ein großer Teil dieser APIs in keiner Weise im Kontrast dazu steht. An dem Punkt, an dem Sie zwischen verschiedenen Strukturen mischen, bleibt der weitaus größte Teil des gesamten Verfahrens gleichwertig. Sie bringen die besten Programmierhandwerksproben mit und beginnen schnell, eine Reflexion über zahlreiche triste Unternehmungen zu fabrizieren, die die Informatikgruppe versäumt, zu mechanisieren, und die Programmierfortschrittsgruppe zögert, einen Blick darauf zu werfen. Eine solide Verbindung zwischen zwei Universen. Eine starke, energische Einrichtung für eine funktionierende Programmierung.