Table des matières
1. L'évolution des plates-formes d'entreprise
Maison Périphériques technologiques IA Plusieurs excellentes pratiques pour créer des plateformes de machine learning sur le cloud

Plusieurs excellentes pratiques pour créer des plateformes de machine learning sur le cloud

Apr 11, 2023 pm 01:58 PM
人工智能 平台 机器学习

​Traducteur | Bugatti

Critique | Sun Shujuan

La plupart des gens connaissent les principales plates-formes technologiques telles que iOS, Windows et AWS. Une plate-forme est essentiellement un ensemble de technologies qui servent de base pour créer, contribuer, expérimenter et étendre d’autres applications. Ils mettent à profit bon nombre des capacités technologiques avancées d’aujourd’hui et des expériences client de pointe.

Pour faire face à l'ampleur et à la complexité des capacités technologiques rendues possibles par le big data, l'intelligence artificielle et l'apprentissage automatique, de nombreuses entreprises développent des plateformes internes complexes. En fait, Gartner prédit que les plateformes cloud natives constitueront la base de plus de 95 % des nouvelles initiatives numériques d’ici 2025, contre moins de 40 % en 2021.

D'après mon expérience, les plates-formes technologiques d'entreprise sont transformatrices : elles permettent aux équipes interfonctionnelles de tester, de lancer et d'apprendre rapidement, de réduire la duplication, de normaliser les capacités et d'offrir une expérience intégrée de manière cohérente. En bref, ils contribuent à transformer la technologie en un avantage concurrentiel.

1. L'évolution des plates-formes d'entreprise

De nombreuses organisations parviennent à mieux offrir des expériences client de premier ordre, en tirant parti de plates-formes cloud natives comme Kubernetes, capables de gérer le gros du travail de l'intelligence artificielle et de l'apprentissage automatique. Capital One est devenue la première institution financière aux États-Unis à investir pleinement dans le cloud. La capacité de repenser l'architecture de l'environnement de données est indispensable pour consolider les capacités de sa plateforme basée sur le cloud. Grâce à cette base solide, Capital One est mieux placé pour exploiter le Big Data afin de créer de nouvelles capacités d'apprentissage automatique sur ses plates-formes d'entreprise afin d'accélérer, d'améliorer et de proposer de nouvelles expériences client plus significatives.

Une grande partie du travail de Capital One dans ce domaine a produit des résultats significatifs pour l'entreprise et les clients. Sa plateforme de décision en matière de fraude, par exemple, a été conçue dès le départ pour prendre des décisions complexes en temps réel. En exploitant de grandes quantités de données et en permettant la mise à jour des modèles en quelques jours plutôt qu’en mois, la plateforme contribue à protéger des millions de clients contre la fraude par carte de crédit et peut être utilisée par les différentes parties prenantes de l’entreprise.

Sur la base de mon expérience dans la direction d'équipes pour fournir des plateformes technologiques d'entreprise, voici les principales leçons et meilleures pratiques apprises en cours de route :

  • Tout commence par l'équipe : Construisez des équipes interdépartementales composées des meilleures personnes, même si cela ralentit votre travail au début. Les grandes équipes ne sont pas toujours meilleures ! L'équipe doit comprendre au moins des chefs de produit, des ingénieurs et des concepteurs. Dotez ces fonctions par des personnes qui comprennent vraiment les utilisateurs de la plateforme. Par exemple, si vous créez une plate-forme qui sera principalement utilisée par des data scientists, embauchez un chef de produit qui est un ancien data scientist ou ajoutez un data scientist à l'équipe de direction. Si votre équipe est composée de personnes provenant de plusieurs départements, assurez-vous d'avoir un objectif commun.
  • Définissez d'abord clairement l'état final : avant de commencer à construire, prenez le temps de définir clairement l'architecture et le plan de l'état final, et d'atteindre vos objectifs de manière itérative. Assurez-vous que l'architecture est conçue pour le libre-service et la contribution dès le départ. Mieux encore, concevez votre plate-forme en partant du principe que vous l'étendrez à des utilisateurs extérieurs à votre organisation ou unité commerciale. Supposons également qu’au fil du temps, à mesure que la technologie évolue, vous souhaitiez pouvoir remplacer des composants.
  • Estimez le temps que vous pensez que cela prendra, puis doublez-le : l'important est de prendre le temps de réfléchir à toutes les capacités que vous devez développer dès le début, puis de consacrer l'effort approprié à chaque partie. Une fois que l'équipe technique combine cela avec la rapidité et estime le temps qu'il faudra pour créer chaque fonctionnalité, augmentez la quantité de tampon de 50 %. D'après mon expérience, cette estimation finit par être assez précise.
  • Concentrez-vous sur les résultats commerciaux : Construire une excellente plateforme peut prendre beaucoup de temps. Il est important de séquencer votre travail afin que la valeur commerciale soit continuellement réalisée. Cela motive l’équipe, renforce la crédibilité et crée un cercle vertueux.
  • Efforcez-vous de transparence et renforcez la communication : communiquez librement les décisions, les progrès et la feuille de route avec les parties prenantes. En plus de clarifier le travail en cours, clarifiez également ce qui n’est pas actuellement une priorité. Rédigez une bonne documentation pour encourager les autres à contribuer et à rejoindre facilement la plateforme.
  • Commencez petit : même les meilleurs environnements de test et d'assurance qualité (AQ) peuvent passer à côté de problèmes qui ne deviennent apparents qu'après le déploiement en production. Pour les changements majeurs qui auront un impact évident sur les clients, commencez toujours par un petit groupe, puis élargissez le champ d'application après avoir constaté son efficacité dans un environnement de production à petite échelle.
  • Soyez radicalement transparent et communiquez excessivement : partagez librement les décisions, les progrès et la feuille de route avec les parties prenantes. En plus de clarifier ce que vous faites, clarifiez également ce que vous ne priorisez pas actuellement. Investissez dans une documentation qui facilite la contribution et l'adhésion à la plateforme.
  • Commencez petit : même les meilleurs environnements de test et d'assurance qualité peuvent manquer certains problèmes qui ne sont découverts qu'en production. Pour des changements importants qui auront un impact significatif sur les clients, commencez toujours par un petit groupe de personnes, puis augmentez progressivement à mesure que vous voyez les choses se produire dans une production à petite échelle. Si possible, utilisez des employés uniquement pour la population initiale lorsque les changements affectent les clients externes.
  • Faites attention à une bonne gestion : les propriétaires de plateforme doivent prêter attention aux performances de la plateforme. Tous les problèmes doivent être révélés grâce à des mécanismes de contrôle et des alertes automatisées. Les exceptions doivent être traitées rapidement. La priorité doit être accordée à l’analyse des causes profondes et aux changements afin d’éviter que les problèmes ne se reproduisent. S’il n’y a aucun problème, célébrez de manière appropriée pour que l’équipe sache que c’est apprécié.
  • Si cela semble trop beau pour être vrai... la surveillance des exceptions est un excellent moyen de garantir que l'exécution est cohérente avec l'intention. L’objectif est souvent zéro exception. Par exemple, le délai ne doit pas dépasser 200 millisecondes. Si le rapport d'exceptions n'affiche aucune exception, il y a probablement un problème avec votre surveillance. Forcez toujours une exception pour vous assurer qu’elle se déclenche correctement. Je comprends très bien cela.
  • Une équipe heureuse est une équipe productive. Célébrez les réalisations, félicitez les membres de l’équipe lorsqu’ils fonctionnent bien et créez un environnement d’épanouissement intérieur. Mesurez régulièrement le bonheur de votre équipe et donnez-lui l’occasion de discuter de ce qui la rendrait plus heureuse et de l’essayer par elle-même pour répondre aux domaines d’insatisfaction.

Lorsqu'une équipe possède une culture forte fortement soutenue par la bonne plateforme technologique, les opportunités sont infinies. En combinant des plateformes cloud natives avec des données à grande échelle, les entreprises peuvent mieux progresser et expérimenter des produits et des expériences plus récents et plus innovants. Lorsque ces expériences permettent aux utilisateurs finaux et aux clients d’obtenir le produit ou le service dont ils ont besoin, au moment où ils en ont besoin, cela fait une énorme différence.

Lien original : https://venturebeat.com/ai/best-practices-for-building-machine-learning-platforms-on-the-cloud/

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

AI Hentai Generator

AI Hentai Generator

Générez AI Hentai gratuitement.

Article chaud

R.E.P.O. Crystals d'énergie expliqués et ce qu'ils font (cristal jaune)
2 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Repo: Comment relancer ses coéquipiers
4 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Comment obtenir des graines géantes
4 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Combien de temps faut-il pour battre Split Fiction?
3 Il y a quelques semaines By DDD

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Jun 28, 2024 am 03:51 AM

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Jun 10, 2024 am 11:08 AM

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Sept questions d'entretien technique Cool GenAI et LLM Sept questions d'entretien technique Cool GenAI et LLM Jun 07, 2024 am 10:06 AM

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Jun 11, 2024 pm 03:57 PM

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Jul 25, 2024 am 06:42 AM

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Jul 17, 2024 pm 06:37 PM

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Cinq écoles d'apprentissage automatique que vous ne connaissez pas Cinq écoles d'apprentissage automatique que vous ne connaissez pas Jun 05, 2024 pm 08:51 PM

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Une nouvelle ère de développement front-end VSCode : 12 assistants de code IA hautement recommandés Une nouvelle ère de développement front-end VSCode : 12 assistants de code IA hautement recommandés Jun 11, 2024 pm 07:47 PM

Dans le monde du développement front-end, VSCode est devenu l'outil de choix pour d'innombrables développeurs grâce à ses fonctions puissantes et son riche écosystème de plug-ins. Ces dernières années, avec le développement rapide de la technologie de l'intelligence artificielle, des assistants de code IA sur VSCode ont vu le jour, améliorant considérablement l'efficacité du codage des développeurs. Les assistants de code IA sur VSCode ont poussé comme des champignons après la pluie, améliorant considérablement l'efficacité du codage des développeurs. Il utilise la technologie de l'intelligence artificielle pour analyser intelligemment le code et fournir une complétion précise du code, une correction automatique des erreurs, une vérification grammaticale et d'autres fonctions, ce qui réduit considérablement les erreurs des développeurs et le travail manuel fastidieux pendant le processus de codage. Aujourd'hui, je recommanderai 12 assistants de code d'IA de développement frontal VSCode pour vous aider dans votre parcours de programmation.

See all articles