抵御另一个人工智能冬天的最后一道防线

解决方案: 聘请对工程技术拥有丰富经验以及工作热情的数据科学家。如果没有合适的人选或者薪酬要求过高，不妨邀请内部工程及运营团队的专家组建混合团队。如果这些方式都不灵……也可以在 LinkedIn 上碰碰运气 。

4) 技术： 现有基础设施不足以支撑 ML 项目。开发与生产环境之间存在着巨大的数据与工具差异。结果就是，在我们将解决方案从开发环境迁移至生产环境时，往往需要进行一系列额外的重构与测试。从数据角度来看，大多数生产数据无法在开发模型中使用。在使用生产数据时，机器学习模型的性能可能发生显著变化。而从工具的角度出发，开发模型中包含大量用于创新目的的新型工具，但生产环境无疑更倾向使用稳定性高且具备可扩展性的旧有工具（并不是坏事）。

核心问题: 如何选择既能实现创新、又可稳定运行的最佳技术栈？如何进行整合与简化？

解决方案: 创建一套沙箱环境，用于托管经过清洁且与生产环境高度统一的数据。设定一套实施准则，帮助团队在 ML 工作流中选择正确的工具（例如，如果生产环境不支持 Python Pandas，请始终使用良好的旧 SQL 实施开发环境中的数据流水线传输；在不同关键组件之间切换语言相当麻烦，请务必谨慎）。另外，即使某些基础设施与安全团队表示反对，也请允许并鼓励团队使用 Docker 架构实现高层应用程序堆栈的灵活部署。最后，结合 ML DevOps 实践。

5) 政策： 变革往往会遭遇激烈的反对。相信很多朋友都听说过关于变革以及企业文化转变的讨论，但我在这里仍然要再强调一下。与任何新思维、新工具或者新流程的引入一样，怀疑、不熟悉或者误解等问题的存在，总会带来一定程度的不确定性。结果就是，团队将更多时间耗费在内部争论身上，并最终失去了概念验证项目的最佳落地时机。

核心问题: 如何获得利益相关方的支持？

解决方案: 统一的价值观与利益诉求。建立起拥有正确且清晰价值主张的用例。尽早引导上、下游流程参与进来，确保高管及运营层面的利益相关方了解项目、参与项目。与他们共同设计解决方案，通过第 2 点中提到的流程收集专业意见，并尽早获得支持。另外，记得分阶段推进项目进度。最后，也记得找位在企业内混得游刃有余的老大哥帮忙协调各方意见，这同样非常重要。

如果我们不部署更多 ML 解决方案，人们将会逐渐丧失信心，企业则把注意力转移到更有前途的机会身上，以往的 AI 寒冬终将再次上演。但我坚信，阻碍 ML 部署的很多问题完全可以快速解决，其中有些属于 ML 技术面临的特殊问题，也有些源自企业内的固有限制。

但历史就在我们手中，我们的努力将决定下一波 AI 寒冬是否到来！各位 ML 高管、经理以及从业者，我们是对抗 AI 寒冬的最后一道防线，加油！

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!