چرا ML در تولید (هنوز) شکسته است و راه هایی که می توانیم آن را برطرف کنیم

عکس پروفایل نویسنده

@htahir1حمزه طاهر

موارد راه اندازی شده در ProductHunt. بعضی چیزها را با منبع باز تهیه کنید. برخی از محصولات خوب

در حال حاضر ، شانس این است که مقاله معروف مربوط به بدهی فنی پنهان توسط Sculley و همکاران را خوانده باشید. از سال 2015. به عنوان یک زمینه ، ما پذیرفته ایم که سهم واقعی یادگیری ماشین فقط بخشی از کار انجام پروژه های موفق ML است. پیچیدگی ناشی از آن ، به ویژه در انتقال به محیط های “زنده” ، منجر به این می شود که پروژه های ML ناموفق زیادی به تولید نرسند.

ارقام مربوط به دامنه مشکل متفاوت است. Forbes و Venturebeat در مورد 87٪ صحبت می کنند ، گارتنر 85٪ را ادعا می کند. واقعیت اساسی در پشت آنها کمتر از یک رقم دقیق است: دستیابی به پروژه های ML از تحقیق به تولید سخت است.

بین یادگیری ماشین که در نوت بوکهای مشتری در ماشینهای محلی انجام می شود و واقعاً در اختیار کاربران نهایی قرار می گیرد ، ارتباطی وجود دارد تا مقداری ارزش واقعی را ارائه دهد. ML در تولید راهی برای دستیابی به استانداردهای کیفی حاصل از توسعه نرم افزارهای معمولی دارد.

در اینجا یک برداشت از آنچه خراب شده است:

با داده ها به عنوان یک شهروند درجه یک رفتار نمی شود

در توسعه نرم افزار سنتی ، کد (به درستی) یک شهروند درجه یک. در توسعه ML ، نیاز بیشتری به داده ها وجود دارد که یک شهروند درجه یک نیز باشد …

سئو PBN | خبر های جدید سئو و هک و سرور
مطالب پیشنهادی  $ Fil دقیقاً پس از فروش آن ارسال شد. آیا من دست ضعیف هستم؟