Sendo as coisas o que são, a decisão normal é alistar um grupo de pesquisadores de informação para construir o seu pensamento, correto?

Tudo considerado, na verdade não.

Os pesquisadores de dados, via de regra, originam-se de uma base inesperada em comparação com os engenheiros de programação. Eles realmente não fazem engenheiros de software incríveis. Na verdade, eles nunca esperaram ser eles – pois a codificação de um pesquisador de informação é apenas uma forma de iluminar o fluxo e refluxo perplexo. Além disso, é isso mesmo. Não é nada como programadores, eles não consideram o código como um tipo de artesanato. Obviamente, sua astúcia não tem preço, porém o escopo das habilidades necessárias para ser um pesquisador de informação eficaz é, a partir de agora, expansivo (particularmente quando o campo avança muito do tempo com as novas revelações, fazendo um enorme segmento de dados arduamente conquistados ficar desatualizado regularmente). Excessivamente amplo. Você não pode antecipar de um indivíduo que é excepcionalmente trabalhado em visão de PC ou exame prescritivo para ser adicionalmente pão e manteiga de engenharia de software, produzindo os modelos e colocando-os na condição de nuvem adaptável esmagadora. Mantendo, da mesma forma, um código de alta qualidade e reutilizável. Utilizando programação útil. Ou então, novamente receptivo. Ou, por outro lado, ambos.

Também neste caso, os arquitetos de programação são muito bem recebidos com relação à IA. Toda a idéia é bastante peculiar do ponto de vista deles, particularmente quando a maioria dos supostos modelos que seu grupo de ciência da informação faz são curtos, de conteúdo hacky com chamadas de estratégia anormal e código desarticulado em um novo dialeto. Onde estão todos os modelos de estrutura? Onde está o código perfeito? Onde está o registro ou observação? Por que o código não é reutilizável? O código que cuida de um problema tão imprevisível não deveria ter mais de 200 linhas de comprimento? É um conteúdo terrível que apenas um único indivíduo pode obtê-lo! Será que, de qualquer forma, a programação é mais demorada?

A fusão

Com essa contenção surgindo, uma necessidade foi concebida. Uma necessidade de um indivíduo que se unisse novamente a duas partes em conflito. Uma sendo familiar apenas o suficiente nos dois campos para que o item estivesse totalmente operacional. Alguém que pegasse o código dos pesquisadores de informação e o tornasse cada vez mais convincente e versátil. Adquirindo com eles diferentes regras de programação e grandes práticas. Abstraindo incessantemente partes de código que possam ser utilizadas no futuro. Juntando os resultados de tarefas possivelmente irrelevantes para melhorar consideravelmente mais a execução do modelo. Esclarecer as explicações de pensamentos composicionais para o grupo devops. Salvando os engenheiros de programação do aprendizado de idéias do caminho das idéias para além de suas extensões de prêmios.

Essa necessidade foi atendida com um aumento dos empregos de engenheiro AI.

O que está continuamente ausente em cada um dos artigos, exercícios instrucionais e livros referentes ao ML é a condição de geração. Ela realmente não existe. As informações são empilhadas de CSVs, modelos são feitos em Jupyter, curvas ROC são desenhadas e voilà – seu item de IA está pronto para a ação. Está na hora de mais uma rodada de subsídio de sementes!

Em toda atualidade, a maior parte do seu código não está ligado à IA. Verdade seja dita, o código com respeito a ele geralmente leva apenas alguns por cento de toda a sua base de código! Sua descoberta treinada oferece apenas a resposta JSON menor – há um grande número de linhas de código necessárias para acompanhar essa expectativa. Ou, por outro lado, talvez tudo o que você receba é uma tabela de banco de dados criada com bits de conhecimento. Mais uma vez, toda uma estrutura deve ser baseada nela para torná-la útil! Você precisa obter a informação, mudá-la e muni-la, robotizar seus empregados, apresentar os bits de conhecimento em algum lugar para o cliente final. Independente de quão pequena seja a questão, a medida do trabalho a ser feito em torno da própria IA é enorme, independentemente de você iniciar seu empreendimento com avanços, por exemplo, Apache Wind current ou NiFi.

No entanto, alguém precisa se ater a cada uma das partes “ciência da informação” e “programação” juntas. Pegue o modelo preparado e faça com que ele tenha uma chance na condição de geração de qualidade. Horários de ocupação de tufos recalculando tabelas de conhecimento. Sirva o modelo progressivamente e faça a triagem de sua apresentação na natureza. Além disso, esta é a zona definida onde brilha o engenheiro de IA.

Ao fazer a programação, os engenheiros normalmente estão procurando por todos os resultados potenciais em todos os aspectos de uso. O que você obtém de um pesquisador de informação é apenas uma forma otimista que estimula a criação de modelos para a informação específica no minuto específico no tempo. Exceto se for uma investigação explícita, o modelo viverá por um bom tempo depois de ser produzido. Além disso, como o tempo passa rapidamente, os bugs e todos os casos de borda estão aparecendo (muitos deles não eram de forma alguma concebíveis quando o código foi composto). De repente aparece mais um valor obscuro em uma das seções e todo o modelo começa a ter um desempenho muito mais lamentável.

Como engenheiro AI, você prepara suas aplicações para tais ocasiões. Você dá o registro e observação dos dutos ao redor dos recados de IA, assim como dentro deles. Você tenta proteger todos os dados para que seja possível responder a consultas significativas: Qual é o motivo da terrível apresentação do modelo? Desde quando isso ocorre?

É simplesmente mais uma interface de programação

Como você não considera o ML como encantamento, você sabe de todos os outros perigos normais de programação que podem surgir quando um trabalho de IA é executado. A base de dados pode declinar a associação. O GroupBy pode explodir para um enorme conjunto de dados. A memória ou o círculo pode estar cheio. Uma mistura de parâmetros indicados pelo cliente pode ser ilegal para certos cálculos. A assistência externa pode reagir com Break Exemption ao invés de credenciamentos. Uma seção pode não existir mais. Apesar de ninguém piscar um olho quando tais ocasiões ocorrem em condições de laboratório protegido regularmente, é seu dever garantir que elas não ocorrerão quando o resultado final for realmente transmitido.

O seu grupo de ciência da informação está em todos os casos carregado de pensamentos. Você precisa garantir que nenhuma inovação os está restringindo. Por mais grandes e ajustáveis que as atuais estruturas ML pareçam ser, em algum momento ou outro seus parceiros terão um caso de uso cativante que não é viável com nenhuma delas. Tudo considerado, não com APIs padrão. No entanto, quando você mergulha em seus interiores, muda-os um pouco e se mistura em outra ou duas bibliotecas, você torna isso concebível. Você usa mal as estruturas e as utiliza ao máximo. Isso requer tanto programações amplas quanto informações de IA, algo que é muito único para o seu trabalho no grupo.

Além disso, em qualquer caso, quando a estrutura dá tudo o que você precisa para a programação astuta, ainda pode haver problemas com a ausência de controle de cálculo. Enormes sistemas neurais colocam de lado uma enorme dose de esforço para se preparar. Este tempo valioso pode ser diminuído por uma solicitação de tamanho no caso de você utilizar sistemas de GPU rodando em máquinas pioneiras. Você é quem deve checar os resultados potenciais, ver as vantagens e desvantagens de diferentes alternativas de nuvens e escolher a mais adequada.

Você também pode ser responsável por escolher diferentes dispositivos e ambientes, pensando continuamente em todo o ciclo de vida do empreendimento (não simplesmente na parte louca da pesquisa) – por exemplo, Sky blue ML Workbench ou IBM Watson podem ser instrumentos extraordinários para a tarefa de bootstrapping e exploração líder, mas não atendem a cada uma das necessidades da sua última forma do item no que diz respeito à reserva e observação personalizada.

Você deve manter-se atento às condições de avanço do artesanato e buscar continuamente os pontos em que a execução geral do item poderia ser melhorada. Seja uma linguagem de programação experimentada, uma nova inovação na nuvem, um planejamento aguçado ou uma estrutura de verificação – observando seu item no plano mestre e percebendo-o bem tanto do lado do design, dos negócios e da ciência, você é freqüentemente o principal indivíduo que tem a chance de reconhecer a zona potencial de progresso.

Isto implica em pegar o código de trabalho regularmente e mudá-lo completamente em outra inovação e linguagem. Felizmente, quando você “se apodera” do que esta penugem é na realidade e que passos são dados constantemente durante o tempo gasto no aprendizado e produção dos modelos, você entende que uma grande parte dessas APIs não contrasta por nenhum trecho da imaginação. No momento em que você embaralha entre diferentes estruturas, de longe a maior parte de todo o procedimento continua sendo o equivalente. Você traz todos os melhores ensaios artesanais de programação e rapidamente começa a fabricar uma reflexão sobre inúmeros empreendimentos monótonos que o grupo de ciência da informação negligencia para mecanizar e o grupo de avanço da programação está relutante em dar uma olhada. Uma sólida conexão entre dois universos. Um estabelecimento forte e vigoroso para a programação de trabalho.