Les choses étant ce qu’elles sont, la décision normale est de faire appel à un groupe de chercheurs d’informations pour construire votre réflexion, n’est-ce pas ?
Tout bien considéré, pas vraiment.
Les chercheurs de données ont en général une base inattendue par rapport aux ingénieurs programmeurs. Ils ne font pas vraiment d’incroyables ingénieurs en logiciels. En fait, ils n’ont jamais pensé être eux – pour un chercheur en information, le codage n’est qu’un moyen d’éclairer le perplexité des flux et reflux. Et c’est tout. Pas du tout comme les concepteurs de programmes, ils ne considèrent pas le code comme une sorte de savoir-faire. Leur astuce n’a évidemment pas de prix, mais l’étendue des compétences requises pour être un chercheur d’information efficace est dès à présent étendue (en particulier lorsque le domaine progresse la plupart du temps avec les nouvelles révélations, rendant régulièrement obsolète un énorme segment de données durement acquises). Excessivement large. On ne peut pas s’attendre à ce qu’un individu exceptionnellement travaillé à la vision sur PC ou à l’examen normatif soit en plus un ingénieur en logiciel de base, produisant les modèles et les plaçant dans l’écrasante condition de nuage adaptable. Tout en conservant un code de premier ordre et réutilisable. Utiliser une programmation utile. Ou alors, être réceptif. Ou les deux à la fois.
Les architectes de la programmation sont également très attachés à l‘IA. L’idée est assez particulière de leur point de vue, en particulier lorsque la plupart des modèles supposés que leur groupe de science de l’information réalise sont courts, avec des appels de stratégie anormaux et un code disjoint dans un nouveau dialecte. Où sont tous les modèles de structure ? Où se trouve le code parfait ? Où est l’enregistrement ou l’observation ? Pour quelle raison le code n’est-il pas réutilisable ? Le code qui prend en charge un problème aussi imprévisible ne devrait-il pas avoir plus de 200 lignes de longueur ? C’est un contenu épouvantable qu’un seul individu peut obtenir ! En tout cas, est-ce qu’il s’agit d’une programmation plus longue ?
La fusion
Avec l’émergence de cette controverse, un besoin a été conçu. Un besoin pour un individu qui rejoindrait deux parties en guerre. L’un d’entre eux ne connaissant que suffisamment bien les deux domaines pour que l’objet soit pleinement opérationnel. Quelqu’un qui prendrait le code des chercheurs d’informations et le rendrait de plus en plus convaincant et polyvalent. Connaissant les différentes règles de programmation et les grandes pratiques. Abstraire sans cesse des parties de code qui pourraient être utilisées à l’avenir. En rassemblant les résultats de missions éventuellement non pertinentes pour améliorer considérablement l’exécution du modèle. Clarifier les explications des réflexions sur la composition pour le groupe des développeurs. Sauver les ingénieurs programmeurs du cheminement des idées d’apprentissage au-delà de leur étendue de primes.
Ce besoin a été satisfait par une augmentation des emplois d’ingénieurs en IA.
Ce qui est continuellement absent de chacun des articles, exercices pédagogiques et livres concernant le ML, c’est la condition de génération. Elle n’existe vraiment pas. Les informations sont empilées à partir de CSV, les modèles sont fabriqués dans Jupyter, les courbes ROC sont dessinées et voilà – votre objet d’IA est prêt à l’action. Il est temps de passer à une nouvelle phase de subventionnement des semences !
En réalité, la plupart de vos codes ne sont pas liés à l’IA. En vérité, le code qui s’y rapporte ne prend généralement que quelques pour cent de l’ensemble de votre base de code ! Votre découverte entraînée n’offre qu’une réponse mineure au JSON – il y a un nombre énorme de lignes de code nécessaires pour répondre à cette attente. D’un autre côté, tout ce que vous obtenez est peut-être une table de base de données créée avec des morceaux de connaissance. Une fois de plus, tout un cadre devrait s’en inspirer pour être utile ! Vous devez obtenir l’information, la modifier et la consommer, robotiser vos emplois, présenter les éléments de connaissance quelque part au client final. Quelle que soit l’ampleur du problème, le travail à accomplir autour de l’IA elle-même est énorme, que vous lanciez votre entreprise avec des avancées, par exemple, Apache Wind current ou NiFi.
Cependant, quelqu’un doit s’en tenir à chacune des parties “science de l’information” et “programmation” ensemble. Prenez le modèle préparé et faites en sorte qu’il prenne en compte la condition de génération de qualité. Horaire des métiers en bloc recalculant les tableaux de connaissances. Servez le modèle progressivement et passez au crible sa présentation dans la nature. De plus, c’est la zone définie où l’ingénieur en IA brille.
Lors de la programmation, les ingénieurs recherchent normalement tous les résultats potentiels dans tous les aspects de l’utilisation. Ce que vous obtenez d’un chercheur d’informations n’est qu’un moyen optimiste qui incite à créer un modèle pour une information spécifique à un moment précis. Sauf s’il s’agit d’une recherche explicite et ponctuelle, le modèle restera en vie pendant un certain temps après sa production. De plus, au fur et à mesure que le temps passe, les bogues et tous les cas marginaux surgissent (beaucoup d’entre eux n’étaient pas du tout concevables lorsque le code a été composé). Tout à coup, une autre valeur obscure apparaît dans l’une des sections et le modèle tout entier commence à fonctionner de manière bien plus regrettable.
En tant qu’ingénieur en IA, vous créez vos applications pour de telles occasions. Vous effectuez l’enregistrement et l’observation des pipelines autour des courses d’IA ainsi qu’à l’intérieur de ceux-ci. Vous essayez de protéger toutes les données afin qu’il soit possible de répondre à des demandes importantes : Quelle est la raison de la présentation du terrible modèle ? Depuis quand cela se produit-il ?
Il s’agit simplement d’une interface de programmation de plus
Comme vous ne considérez pas le ML comme un enchantement, vous connaissez tous les autres périls de programmation normaux qui peuvent surgir lorsqu’un travail d’IA est exécuté. La base de données peut refuser l’association. GroupBy peut exploser pour un énorme ensemble de données. La mémoire ou le cercle peut être plein. Un mélange de paramètres indiqué par le client peut être illégal pour certains calculs. L’assistance extérieure pourrait réagir par une exemption de rupture plutôt que par des accréditations. Une section peut ne plus exister. Bien que personne ne louche lorsque de telles occasions se produisent régulièrement dans un laboratoire protégé, il est de votre devoir de garantir qu’elles ne se produiront pas lorsque le résultat final sera réellement transmis.
Votre groupe de science de l’information est dans tous les cas chargé de réflexions. Vous devez vous assurer qu’aucune innovation ne les limite. Aussi grandes et ajustables que semblent être les structures actuelles de ML, vos partenaires auront, à un moment ou à un autre, un cas d’utilisation captivant qui n’est réalisable avec aucun d’entre eux. Tout bien considéré, pas avec des API standard. Cependant, lorsque vous vous plongez dans leurs internes, que vous les modifiez un peu et que vous les intégrez dans une ou deux autres bibliothèques, vous rendez la chose concevable. Vous abusez des structures et les utilisez au maximum de leurs capacités. Cela nécessite à la fois une programmation générale et des informations d’IA, ce qui est tout à fait unique pour votre travail au sein du groupe.
En outre, dans tous les cas, lorsque la structure donne tout ce dont vous avez besoin pour une programmation astucieuse, l’absence de contrôle des calculs peut encore poser des problèmes. D’énormes systèmes neuronaux mettent de côté un énorme effort de préparation. Ce temps précieux pourrait être diminué par une demande de taille dans le cas où vous utiliseriez des systèmes GPU fonctionnant sur des machines révolutionnaires. C’est à vous qu’il revient de rechercher les résultats potentiels, de voir les avantages et les inconvénients des différentes alternatives de nuages et de choisir la plus adaptée.
Vous pouvez également être responsable du choix de différents appareils et environnements, en pensant continuellement à l’ensemble du cycle de vie de l’entreprise (et pas seulement à la partie folle de la recherche) – par exemple Sky blue ML Workbench ou IBM Watson peuvent être des instruments extraordinaires pour amorcer la tâche et mener l’exploration sans vraiment répondre à toutes les nécessités de votre dernière forme de l’objet en ce qui concerne la réservation et l’observation sur mesure.
Vous devez vous tenir au courant des progrès de l’artisanat et rechercher continuellement les points où l’exécution générale de l’objet pourrait être améliorée. Qu’il s’agisse d’un langage de programmation éprouvé, d’une nouvelle innovation dans le nuage, d’un cadre de planification ou de contrôle pointu – en observant votre article sur le plan général et en le réalisant bien du point de vue de la conception, des affaires et de la science, vous êtes souvent le principal individu qui a la chance de reconnaître la zone potentielle de progrès.
Cela implique régulièrement de prendre le code de travail et de le changer complètement dans une autre innovation et une autre langue. Heureusement, lorsque vous “saisissez” la réalité de cette peluche et les étapes qui sont constamment franchies pendant le temps passé à apprendre et à produire les modèles, vous comprenez qu’une grande partie de ces API ne contrastent pas du tout avec l’imagination. Au moment où vous passez d’une structure à l’autre, la majeure partie de la procédure reste équivalente. Vous apportez toutes les meilleures répétitions de l’artisanat de la programmation et commencez rapidement à fabriquer une réflexion sur de nombreuses entreprises mornes que le groupe des sciences de l’information néglige de mécaniser et le groupe d’avancement de la programmation hésite à jeter un coup d’oeil. Un lien solide entre deux univers. Un établissement solide et vigoureux pour la programmation de travail.
