


Mehrere hervorragende Methoden zum Aufbau von Plattformen für maschinelles Lernen in der Cloud
Übersetzer |.Bugatti
Rezensent |.Die meisten Menschen sind mit wichtigen Technologieplattformen wie iOS, Windows und AWS vertraut. Bei einer Plattform handelt es sich im Wesentlichen um eine Reihe von Technologien, die als Grundlage für den Aufbau, den Beitrag zu, das Experimentieren mit und die Erweiterung anderer Anwendungen dienen. Sie bringen viele der fortschrittlichen technologischen Fähigkeiten und innovativen Kundenerlebnisse von heute mit.
Um mit dem Umfang und der Komplexität der technologischen Möglichkeiten Schritt zu halten, die durch Big Data, künstliche Intelligenz und maschinelles Lernen ermöglicht werden, entwickeln viele Unternehmen komplexe interne Plattformen. Tatsächlich prognostiziert Gartner, dass Cloud-native Plattformen bis 2025 die Grundlage für mehr als 95 % aller neuen digitalen Initiativen bilden werden, gegenüber weniger als 40 % im Jahr 2021.
Meiner Erfahrung nach sind Unternehmenstechnologieplattformen transformativ: Sie ermöglichen funktionsübergreifenden Teams, schnell zu testen, zu starten und zu lernen, Duplikate zu reduzieren, Funktionen zu standardisieren und ein durchgängig integriertes Erlebnis zu bieten. Kurz gesagt, sie tragen dazu bei, Technologie in einen Wettbewerbsvorteil zu verwandeln.
1. Die Entwicklung von Unternehmensplattformen
Viele Unternehmen werden immer besser darin, erstklassige Kundenerlebnisse zu bieten, indem sie Cloud-native Plattformen wie Kubernetes nutzen, die die schwere Arbeit von künstlicher Intelligenz und maschinellem Lernen übernehmen können. Capital One ist das erste Finanzinstitut in den Vereinigten Staaten, das vollständig in die Cloud investiert. Die Fähigkeit, die Architektur der Datenumgebung neu zu gestalten, ist für die Konsolidierung seiner cloudbasierten Plattformfunktionen unerlässlich. Mit dieser soliden Grundlage ist Capital One besser in der Lage, Big Data zu nutzen, um neue maschinelle Lernfunktionen auf seinen Unternehmensplattformen aufzubauen, um neue, aussagekräftigere Kundenerlebnisse zu beschleunigen, zu verbessern und bereitzustellen.
Ein Großteil der Arbeit von Capital One in diesem Bereich hat zu bedeutenden Ergebnissen für das Unternehmen und die Kunden geführt. Die Betrugsentscheidungsplattform des Unternehmens wurde beispielsweise von Grund auf entwickelt, um komplexe Entscheidungen in Echtzeit zu treffen. Durch die Nutzung großer Datenmengen und die Möglichkeit, Modelle innerhalb von Tagen statt Monaten zu aktualisieren, trägt die Plattform dazu bei, Millionen von Kunden vor Kreditkartenbetrug zu schützen und kann von den verschiedenen Stakeholdern des Unternehmens genutzt werden.
Basierend auf meiner Erfahrung in der Leitung von Teams zur Bereitstellung von Unternehmenstechnologieplattformen sind hier die wichtigsten Lektionen und Best Practices, die ich dabei gelernt habe:
- Alles beginnt mit Teams: Bilden Sie abteilungsübergreifende Teams aus den besten Leuten, auch wenn es Ihre Arbeit zunächst ausbremst. Größere Teams sind nicht immer besser! Das Team muss mindestens aus Produktmanagern, Ingenieuren und Designern bestehen. Besetzen Sie diese Funktionen mit Leuten, die die Benutzer der Plattform wirklich verstehen. Wenn Sie beispielsweise eine Plattform aufbauen, die hauptsächlich von Datenwissenschaftlern genutzt wird, stellen Sie einen Produktmanager ein, der ein ehemaliger Datenwissenschaftler ist, oder fügen Sie dem Führungsteam einen Datenwissenschaftler hinzu. Wenn Ihr Team aus Mitarbeitern mehrerer Abteilungen besteht, stellen Sie sicher, dass Sie ein gemeinsames Ziel haben.
- Definieren Sie zunächst klar den Endzustand: Bevor Sie mit dem Bau beginnen, nehmen Sie sich die Zeit, die Architektur und den Plan für den Endzustand klar zu definieren und Ihre Ziele iterativ zu erreichen. Stellen Sie sicher, dass die Architektur von Anfang an auf Self-Service und Mitarbeit ausgelegt ist. Besser noch: Entwerfen Sie Ihre Plattform unter der Annahme, dass Sie sie auf Benutzer außerhalb Ihrer Organisation oder Geschäftseinheit ausweiten. Gehen Sie außerdem davon aus, dass Sie im Laufe der Zeit, wenn sich die Technologie verändert, in der Lage sein möchten, Komponenten auszutauschen.
- Schätzen Sie, wie lange es Ihrer Meinung nach dauern wird, und verdoppeln Sie es dann: Wichtig ist, dass Sie sich die Zeit nehmen, alle Fähigkeiten zu erarbeiten, die Sie von Anfang an aufbauen müssen, und dann in jeden Teil den entsprechenden Aufwand investieren. Sobald das technische Team dies mit der Geschwindigkeit kombiniert und abschätzt, wie lange es dauern wird, jedes Feature zu erstellen, erhöhen Sie die Puffermenge um 50 %. Nach meiner Erfahrung ist diese Schätzung ziemlich genau.
- Konzentrieren Sie sich auf Geschäftsergebnisse: Der Aufbau einer großartigen Plattform kann lange dauern. Es ist wichtig, Ihre Arbeit so zu ordnen, dass der Geschäftswert kontinuierlich realisiert wird. Dies motiviert das Team, schafft Glaubwürdigkeit und schafft einen positiven Kreislauf.
- Streben Sie nach Transparenz und stärken Sie die Kommunikation: Kommunizieren Sie Entscheidungen, Fortschritte und Roadmap frei mit den Stakeholdern. Klären Sie neben der Klärung der anstehenden Arbeiten auch, was derzeit keine Priorität hat. Schreiben Sie eine gute Dokumentation, um andere zu ermutigen, Beiträge zu leisten und der Plattform einfach beizutreten.
- Klein anfangen: Selbst in den besten Test- und Qualitätssicherungsumgebungen (QS) können Probleme übersehen werden, die erst nach der Bereitstellung in der Produktion sichtbar werden. Bei größeren Änderungen, die deutliche Auswirkungen auf die Kunden haben, beginnen Sie immer mit einer kleinen Gruppe und erweitern Sie dann den Anwendungsbereich, nachdem Sie festgestellt haben, dass sie in einer kleinen Produktionsumgebung wirksam sind.
- Seien Sie radikal transparent und kommunizieren Sie übermäßig: Teilen Sie Entscheidungen, Fortschritte und Roadmap frei mit den Stakeholdern. Klären Sie nicht nur, was Sie tun, sondern auch, was Sie derzeit nicht priorisieren. Investieren Sie in eine Dokumentation, die es einfach macht, Beiträge zu leisten und der Plattform beizutreten.
- Klein anfangen: Selbst in den besten Test- und Qualitätssicherungsumgebungen können einige Probleme übersehen werden, die erst in der Produktion entdeckt werden. Bei großen Veränderungen, die bedeutende Auswirkungen auf den Kunden haben, beginnen Sie immer mit einer kleinen Gruppe von Menschen und steigern Sie sie dann schrittweise, wenn Sie sehen, dass sich in der Produktion in kleinem Maßstab etwas tut. Setzen Sie Mitarbeiter nach Möglichkeit nur für die Erstpopulation ein, wenn sich Änderungen auf externe Kunden auswirken.
- Achten Sie auf eine ordnungsgemäße Verwaltung: Plattformbesitzer sollten auf die Plattformleistung achten. Alle Probleme sollten durch Kontrollmechanismen und automatisierte Warnungen aufgedeckt werden. Ausnahmen sollten schnell bearbeitet werden. Der Ursachenanalyse und den Änderungen sollte Vorrang eingeräumt werden, um ein erneutes Auftreten von Problemen zu verhindern. Wenn es keine Probleme gibt, feiern Sie angemessen, damit das Team weiß, dass es geschätzt wird.
- Wenn es zu schön scheint, um wahr zu sein ... Ausnahmeüberwachung ist eine großartige Möglichkeit, um sicherzustellen, dass die Ausführung mit der Absicht übereinstimmt. Das Ziel sind oft null Ausnahmen. Beispielsweise sollte die Verzögerung 200 Millisekunden nicht überschreiten. Wenn im Ausnahmebericht keine Ausnahmen angezeigt werden, stimmt wahrscheinlich etwas mit Ihrer Überwachung nicht. Erzwingen Sie immer eine Ausnahme, um sicherzustellen, dass sie ordnungsgemäß ausgelöst wird. Ich verstehe das sehr gut.
- Ein glückliches Team ist ein produktives Team. Feiern Sie Erfolge, loben Sie Teammitglieder, wenn sie gute Leistungen erbringen, und schaffen Sie ein Umfeld der inneren Erfüllung. Messen Sie regelmäßig die Zufriedenheit Ihres Teams und geben Sie Ihrem Team die Möglichkeit, darüber zu diskutieren, was es glücklicher machen würde, und es selbst auszuprobieren, um Bereiche der Unzufriedenheit anzugehen.
Wenn ein Team über eine starke Kultur verfügt, die stark durch die richtige Plattformtechnologie unterstützt wird, sind die Möglichkeiten endlos. Durch die Kombination cloudnativer Plattformen mit großen Datenmengen können Unternehmen neuere, innovativere Produkte und Erfahrungen besser vorantreiben und damit experimentieren. Wenn diese Erfahrungen es Endbenutzern und Kunden ermöglichen, das Produkt oder die Dienstleistung, die sie benötigen, zum richtigen Zeitpunkt zu erhalten, macht das einen großen Unterschied.
Originallink: https://venturebeat.com/ai/best-practices-for-building-machine-learning-platforms-on-the-cloud/
Das obige ist der detaillierte Inhalt vonMehrere hervorragende Methoden zum Aufbau von Plattformen für maschinelles Lernen in der Cloud. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
