认识达内从这里开始

随着人工智能技术的不断发展和提高，我们在一些数据分析上也开始依靠这些技术来帮助我们解决问题。所以，我们今天就给大家一起分享一下，关于数据分析以及智能机器之间都有哪些关系。下面，我们就开始今天的主要内容吧。

机器学习工程师的工作涉及到软件架构和设计。他们懂得AB测试这样的实务操作，但更重要的是，他们不只是“懂得”AB测试——他们还知道如何进行生产系统的AB测试。他们也懂得日志、安全这一类的问题，而且知道如何让日志数据在数据工程师那里派上用场。所有这一切没有什么新鲜东西：这只是岗位的深化，而不是改变。

机器学习和“数据科学”又有什么不同?显然，数据科学的涵盖面更广，但深度学习的工作方式却存在着一些格外不同的地方。人们总是容易把数据科学家想象成挖掘数据的人——研究不同的方法和模型，从中找出一个切实可行的。图基(Tukey)的探索性数据分析等经典方法为很多数据科学家迄今为止的工作定下了基调：挖掘分析大量数据，找到其中隐藏的价值。

深度学习显著改变了这种模式。你不再亲自处理数据。你知道你想要什么样的结果，但你让软件去发现它。你想要打造一台能够打败围棋冠军、正确标记照片或者实现语言翻译的机器。在机器学习的范畴中，这些目标不会通过细致的挖掘来达成。在很多情况下，要挖掘的数据量实在太大，维度也太多。(围棋的维度有多少?语言的维度呢?)机器学习能做到的，就是自己建立模型——自己进行数据挖掘和调整。

于是，数据科学家并没有做多少挖掘的工作。他们的目标并非找到数据的意义。他们认为价值本来就在那里。他们真正的目标是打造能够分析数据和生成结果的机器——创建出一张可以被调教到能使用输入数据生成可靠结果的神经网络。统计学不再那么重要。事实上，机器学习的大神器是“大众化”，让机器学习系统可由主题专家而不是人工智能博士打造。我们想让围棋选手打造出下一代的AlphaGo，而不是研究人员。我们想让说西班牙语的人打造出能把其他语言自动翻译成西班牙语的引擎。

这种变化也对机器学习工程师产生了相应的影响。在机器学习的范畴里，模型不是静态的。随着时间的推移，模型可能会逐渐失效。必须有人来监控系统，在必要时对其重新训练。这项工作对于当初打造该系统的开发人员来说，可能很是无趣，但当中的技术性却很强。而且，这也需要对监控工具有充分了解，因为这些监控工具在设计时并不会考虑到数据应用的问题。

所有的软件开发人员和IT从业人员都应该对安全性这个问题有所了解。据我们所知，尚未出现过专门针对机器学习系统的严重攻击。但机器学习系统将成日渐成为诱人的攻击目标。机器学习会带来怎样的新型漏洞?有没有可能在训练系统用的数据中“下毒”，或者强迫系统在错误的时候接受重新训练?由于机器学习系统会自我训练，我们需要想到，全新漏洞类型的出现必不可免。

随着工具的改进，我们将看到更多的数据科学家有能力转型到生产系统领域。云环境和软件即服务(SaaS)让数据科学家能够更简单地部署数据科学原型，将其投入生产，而诸如Clipper、Ground(美国加州大学伯克利分校RISE实验室的新项目)这样的开源工具也正开始涌现。但我们仍将需要数据工程师和机器学习工程师——那些通晓数据科学和机器学习知识，知道如何在生产中部署和运行系统，能够为机器学习产品提供支持的工程师。他们才是最终极的“人性因素”。

转自品觉公众号

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益！