機器學(xué)習(xí)和AI繼續(xù)深入IT服務(wù)中，并補充軟件工程師開發(fā)的應(yīng)用程序。如果IT團隊想跟上這種步伐，必須提高他們的機器學(xué)習(xí)技能。

云計算服務(wù)支持構(gòu)建和部署AI及機器學(xué)習(xí)應(yīng)用程序的各種功能。在很多方面，AI系統(tǒng)的管理與IT專業(yè)人員在云端熟悉的其他軟件非常相似。但是，僅僅因為某人可以部署應(yīng)用程序，并不一定意味著他們可以成功部署機器學(xué)習(xí)模型。

[[349722]]

盡管這些共性可能會加快過渡，但仍存在重大差異。除了軟件工程技能外，你的IT團隊成員還需要特定的機器學(xué)習(xí)和AI知識。除技術(shù)專長外，他們還需要了解當(dāng)前可用于支持其團隊計劃的云計算工具。

下面讓我們探索IT專業(yè)人員在云端成功利用AI所需的5個機器學(xué)習(xí)技能，并了解Amazon、微軟和谷歌為支持這些技能所提供的產(chǎn)品。在這些技能集中，雖然存在一些重疊，但不要期望一個人具備所有技能。通過組建具有這些技能的人員的團隊，可使你的企業(yè)處于最佳位置，以利用基于云的機器學(xué)習(xí)。

1. 數(shù)據(jù)工程

如果IT專業(yè)人員想在云端實現(xiàn)任何類型的AI策略，都需要了解數(shù)據(jù)工程。數(shù)據(jù)工程包含一系列技能，這涉及數(shù)據(jù)整理和工作流開發(fā)領(lǐng)域，以及軟件架構(gòu)知識。

IT專業(yè)知識的這些不同領(lǐng)域可以分解為IT專業(yè)人員應(yīng)完成的不同任務(wù)。例如，數(shù)據(jù)整理通常涉及數(shù)據(jù)源標(biāo)識、數(shù)據(jù)提取、數(shù)據(jù)質(zhì)量評估、數(shù)據(jù)集成以及在生產(chǎn)環(huán)境中執(zhí)行這些操作的管道開發(fā)。

數(shù)據(jù)工程師應(yīng)該習(xí)慣使用關(guān)系數(shù)據(jù)庫、NoSQL數(shù)據(jù)庫和對象存儲系統(tǒng)。Python是一種流行的編程語言，可結(jié)合批處理和流處理平臺(例如Apache Beam)以及分布式計算平臺(例如Apache Spark)使用。即使你不是專業(yè)的Python程序員，只要具備一定的語言知識，你都可以從針對數(shù)據(jù)工程和機器學(xué)習(xí)的各種開源工具中提高技能。

數(shù)據(jù)工程在所有主要云端都得到很好的支持。AWS提供全面的服務(wù)來支持?jǐn)?shù)據(jù)工程，例如AWS Glue、Amazon Managed Streaming for Apache Kafka(MSK)和各種Amazon Kinesis服務(wù)。AWS Glue是數(shù)據(jù)目錄以及提取、轉(zhuǎn)換和加載(ETL)服務(wù)，其中包括對計劃作業(yè)的支持。MSK是數(shù)據(jù)工程管道的有用構(gòu)建塊，而Kinesis服務(wù)對于部署可擴展流處理管道特別有用。

Google Cloud Platform則提供Cloud Dataflow，這是一項托管的Apache Beam服務(wù)，支持批處理和Steam處理。對于ETL流程，Google Cloud Data Fusion提供基于Hadoop的數(shù)據(jù)集成服務(wù)。Microsoft Azure還提供多種托管數(shù)據(jù)工具，例如Azure Cosmos DB、Data Catalog和Data Lake Analytics等。

2. 模型構(gòu)建

機器學(xué)習(xí)是發(fā)展良好的學(xué)科，你可以通過研究和開發(fā)機器學(xué)習(xí)算法來發(fā)展自己的職業(yè)。

IT團隊使用工程師提供的數(shù)據(jù)來構(gòu)建模型，并創(chuàng)建軟件以提出建議、預(yù)測價值和對條目進行分類。重要的是要了解機器學(xué)習(xí)技術(shù)的基礎(chǔ)知識，即使很多模型構(gòu)建過程都是在云端自動完成。

作為模型構(gòu)建者，你需要了解數(shù)據(jù)和業(yè)務(wù)目標(biāo)。你需要構(gòu)想解決方案來解決問題，并了解如何將其與現(xiàn)有系統(tǒng)集成。

現(xiàn)在市場上提供現(xiàn)成的產(chǎn)品，例如谷歌的Cloud AutoML，這套服務(wù)可以幫助你使用結(jié)構(gòu)化數(shù)據(jù)以及圖像、視頻和自然語言來構(gòu)建自定義模型，而無需對機器學(xué)習(xí)有太多的了解。而Azure在Visual Studio中提供ML.NET模型構(gòu)建器，該模型構(gòu)建器提供界面用于構(gòu)建、訓(xùn)練和部署模型。

Amazon SageMaker是另一項托管服務(wù)，用于在云端構(gòu)建和部署機器學(xué)習(xí)模型。 這些工具可以選擇算法，確定數(shù)據(jù)中哪些特征或?qū)傩宰钣袃r值，并使用稱為超參數(shù)調(diào)整的過程優(yōu)化模型。這些服務(wù)擴展了機器學(xué)習(xí)和AI策略的潛在用途。正如你不需要成為機械工程師就能駕駛汽車一樣，你也不需要機器學(xué)習(xí)的研究生學(xué)位即可建立有效的模型。

3. 公平與偏差檢測

算法做出的決策將直接且顯著影響個人。例如，金融服務(wù)利用AI做出有關(guān)信貸的決策，這可能會無意中偏向特定人群。這不僅可能因拒絕信貸來傷害個人，而且還使金融機構(gòu)面臨違反《平等信貸機會法》等法規(guī)的風(fēng)險。

這些看似艱巨的任務(wù)對于AI和機器學(xué)習(xí)模型是不可避免的事情。檢測模型中的偏差可能需要精通的統(tǒng)計和機器學(xué)習(xí)技能，但與模型構(gòu)建一樣，某些繁重的工作可以由機器完成。

FairML是用于審核預(yù)測模型的開源工具，可幫助開發(fā)人員識別工作中的偏見。檢測模型偏差的經(jīng)驗還可以幫助告知數(shù)據(jù)工程和模型構(gòu)建過程。Google Cloud的公平性工具在市場上領(lǐng)先，其中包括What-If Tool、Fairness Indicators和Explainable AI服務(wù)。

4. 模型性能評估

模型構(gòu)建過程的一部分是評估機器學(xué)習(xí)模型的性能。例如，分類分析是根據(jù)準(zhǔn)確性、精確度和召回率進行評估。而回歸模型(例如預(yù)測房屋出售價格的模型)通過測量其平均錯誤率進行評估。

現(xiàn)在表現(xiàn)良好的模型將來可能會表現(xiàn)不佳。這里問題不是，該模型會以某種方式被破壞，而是訓(xùn)練該模型數(shù)據(jù)會過時，而無法再反映未來世界的情況。即使沒有突然的重大事件，也會發(fā)生數(shù)據(jù)漂移。重要的是評估模型并在生產(chǎn)中繼續(xù)對其進行監(jiān)視。

Amazon SageMaker、Azure Machine Learning Studio和Google Cloud AutoML等服務(wù)都包含模型性能評估工具。

5. 領(lǐng)域知識

領(lǐng)域知識并不是專門的機器學(xué)習(xí)技能，而是成功機器學(xué)習(xí)策略中最重要的部分之一。

每個行業(yè)都有自己的知識體系，因此需要對相關(guān)行業(yè)進行研究，尤其是在構(gòu)建算法決策工具時。機器學(xué)習(xí)模型受限于用于訓(xùn)練它們的數(shù)據(jù)。而具有領(lǐng)域知識的人可以知道在哪里應(yīng)用AI并評估其有效性。