


Beberapa amalan cemerlang untuk membina platform pembelajaran mesin di awan
Penterjemah |. Bugatti
Penilai |. Platform pada asasnya ialah satu set teknologi yang berfungsi sebagai asas untuk membina, menyumbang, bereksperimen dengan dan memperluaskan aplikasi lain. Mereka membawa banyak keupayaan teknologi termaju hari ini dan pengalaman pelanggan termaju ke meja.
Untuk mengikuti skala dan kerumitan keupayaan teknologi yang didayakan oleh data besar, kecerdasan buatan dan pembelajaran mesin, banyak syarikat sedang membangunkan sendiri platform dalaman yang kompleks. Malah, Gartner meramalkan bahawa platform asli awan akan menjadi asas kepada lebih daripada 95% inisiatif digital baharu menjelang 2025, meningkat daripada kurang daripada 40% pada 2021.
Menurut pengalaman saya, platform teknologi perusahaan adalah transformatif: ia membolehkan pasukan merentas fungsi untuk menguji, melancarkan dan belajar dengan cepat, mengurangkan pertindihan, menyeragamkan keupayaan dan menyediakan pengalaman bersepadu secara konsisten. Pendek kata, mereka membantu menjadikan teknologi sebagai kelebihan daya saing.
1 Evolusi platform perusahaan
Banyak organisasi memanfaatkan platform asli awan seperti Kubernetes yang boleh menjalankan tugas besar kecerdasan buatan dan pembelajaran mesin pandai menyediakan pengalaman pelanggan kelas pertama. Capital One telah menjadi institusi kewangan pertama di Amerika Syarikat yang melabur sepenuhnya dalam awan Keupayaan untuk mereka bentuk semula seni bina persekitaran data amat diperlukan untuk menyatukan keupayaan platform berasaskan awannya. Dengan asas yang kukuh ini, Capital One berada pada kedudukan yang lebih baik untuk memanfaatkan data besar untuk membina keupayaan pembelajaran mesin baharu merentas platform perusahaannya untuk mempercepat, meningkatkan dan menyampaikan pengalaman pelanggan baharu yang lebih bermakna.
Kebanyakan kerja Capital One dalam bidang ini telah menghasilkan hasil yang ketara untuk syarikat dan pelanggannya. Platform keputusan penipuannya, sebagai contoh, dibina dari bawah untuk membuat keputusan masa nyata yang rumit. Dengan memanfaatkan sejumlah besar data dan membolehkan model dikemas kini dalam beberapa hari dan bukannya bulan, platform ini membantu melindungi berjuta-juta pelanggan daripada penipuan kad kredit dan boleh digunakan oleh pelbagai pihak berkepentingan syarikat.
Berdasarkan pengalaman saya dalam mengetuai pasukan untuk menyampaikan platform teknologi perusahaan, berikut ialah pengajaran utama dan amalan terbaik yang dipelajari sepanjang perjalanan:
- Semuanya bermula dengan pasukan: Bina pasukan merentas fungsi orang terbaik, walaupun ia melambatkan kerja anda pada mulanya. Pasukan yang lebih besar tidak selalunya lebih baik! Pasukan mesti sekurang-kurangnya termasuk pengurus produk, jurutera dan pereka. Kakitangan fungsi ini dengan orang yang benar-benar memahami pengguna platform. Contohnya, jika anda sedang membina platform yang akan digunakan terutamanya oleh saintis data, ambil pengurus produk yang merupakan bekas saintis data atau tambah saintis data pada pasukan kepimpinan. Jika pasukan anda terdiri daripada orang daripada pelbagai jabatan, pastikan anda mempunyai matlamat yang sama.
- Tentukan dengan jelas keadaan akhir dahulu: Sebelum anda mula membina, luangkan masa untuk mentakrifkan dengan jelas seni bina dan merancang untuk keadaan akhir, dan lelaran ke arah matlamat anda. Pastikan seni bina direka untuk layan diri dan sumbangan dari awal. Lebih baik lagi, reka bentuk platform anda dengan andaian bahawa anda akan memanjangkannya kepada pengguna di luar organisasi atau unit perniagaan anda. Juga anggap bahawa dari semasa ke semasa, apabila teknologi berubah, anda mahu dapat menggantikan komponen.
- Anggarkan berapa lama anda fikir ia akan diambil, kemudian gandakannya: Perkara yang penting ialah meluangkan masa untuk membentangkan semua keupayaan yang anda perlukan untuk membina dari awal, dan kemudian meletakkan jumlah usaha yang sesuai ke dalam setiap bahagian. Setelah pasukan teknikal menggabungkan ini dengan kelajuan dan menganggarkan tempoh masa yang diperlukan untuk membina setiap ciri, tingkatkan jumlah penimbal sebanyak 50%. Mengikut pengalaman saya, anggaran ini agak tepat.
- Fokus pada hasil perniagaan: Membina platform yang hebat boleh mengambil masa yang lama. Adalah penting untuk menyusun kerja anda supaya nilai perniagaan direalisasikan secara berterusan. Ini memotivasikan pasukan, membina kredibiliti, dan mewujudkan kitaran yang mulia.
- Berusaha untuk ketelusan dan komunikasi: menyampaikan keputusan, kemajuan dan peta jalan secara bebas dengan pihak berkepentingan. Selain menjelaskan kerja yang sedang dijalankan, juga menjelaskan perkara yang tidak menjadi keutamaan pada masa ini. Tulis dokumentasi yang baik untuk menggalakkan orang lain menyumbang dan menyertai platform dengan mudah.
- Mulakan secara kecil-kecilan: Malah persekitaran ujian dan jaminan kualiti (QA) yang terbaik mungkin terlepas isu yang hanya menjadi ketara selepas digunakan untuk pengeluaran. Untuk perubahan besar yang akan memberi kesan yang jelas kepada pelanggan, sentiasa mulakan dengan kumpulan kecil dan kemudian kembangkan skop aplikasi selepas melihat ia berkesan dalam persekitaran pengeluaran berskala kecil.
- Bersikap telus dan terlalu berkomunikasi: berkongsi keputusan, kemajuan dan peta jalan secara bebas dengan pihak berkepentingan. Selain menjelaskan perkara yang anda lakukan, juga menjelaskan perkara yang anda tidak utamakan pada masa ini. Melabur dalam dokumentasi yang memudahkan untuk menyumbang dan menyertai platform.
- Mulakan secara kecil-kecilan: Malah persekitaran ujian dan QA yang terbaik mungkin terlepas beberapa isu yang tidak ditemui sehingga pengeluaran. Untuk perubahan besar yang akan memberi kesan pelanggan yang bermakna, sentiasa mulakan dengan sekumpulan kecil orang dan kemudian secara beransur-ansur meningkat apabila anda melihat perkara yang berlaku dalam pengeluaran berskala kecil. Jika boleh, gunakan pekerja hanya untuk populasi awal apabila perubahan menjejaskan pelanggan luar.
- Fokus pada pengurusan yang betul: Pemilik platform harus fokus pada prestasi platform. Semua masalah harus didedahkan melalui mekanisme kawalan dan makluman automatik. Pengecualian harus dikendalikan dengan cepat. Keutamaan harus diberikan kepada analisis punca dan perubahan untuk mengelakkan masalah daripada berulang. Jika tiada isu, raikanlah dengan sewajarnya supaya pasukan tahu ia dihargai.
- Jika ia kelihatan terlalu bagus untuk menjadi kenyataan... pemantauan pengecualian ialah cara terbaik untuk memastikan pelaksanaan konsisten dengan niat. Matlamat selalunya adalah sifar pengecualian. Sebagai contoh, kelewatan tidak boleh melebihi 200 milisaat. Jika laporan pengecualian tidak pernah menunjukkan sebarang pengecualian, mungkin terdapat sesuatu yang tidak kena dengan pemantauan anda. Sentiasa memaksa pengecualian untuk memastikan ia menyala dengan betul. Saya faham sangat ni.
- Pasukan yang gembira ialah pasukan yang produktif. Raikan pencapaian, puji ahli pasukan apabila mereka beraksi dengan baik, dan cipta persekitaran kepuasan dalaman. Sentiasa mengukur kegembiraan pasukan anda dan memberi peluang kepada pasukan anda untuk membincangkan perkara yang boleh membuatkan mereka lebih gembira dan mencuba sendiri untuk menangani bidang yang tidak berpuas hati.
Apabila sesebuah pasukan mempunyai budaya yang kukuh disokong kuat oleh teknologi platform yang betul, peluangnya tidak berkesudahan. Dengan menggabungkan platform asli awan dengan data berskala besar, syarikat boleh lebih maju dan bereksperimen dengan produk dan pengalaman yang lebih baharu dan lebih inovatif. Apabila pengalaman ini membolehkan pengguna akhir dan pelanggan mendapatkan produk atau perkhidmatan yang mereka perlukan, apabila mereka memerlukannya, ia membuat perbezaan yang besar.
Pautan asal: https://venturebeat.com/ai/best-practices-for-building-machine-learning-platforms-on-the-cloud/
Atas ialah kandungan terperinci Beberapa amalan cemerlang untuk membina platform pembelajaran mesin di awan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
