Одним из интересных аспектов моей повседневной работы является понимание того, как крупные компании внедряют машинное обучение, глубокое обучение и искусственный интеллект. Я довольно много делаю это с помощью интервью, и я рад возможности взять вас с собой в поездку, опубликовав многие из них в виде подкастов.
Одна из вещей, которую я заметил в своих официальных и неформальных беседах, заключается в том, что мы живем в действительно интересное время для многих первых пользователей корпоративного машинного обучения. Здесь я имею в виду традиционные предприятия — такие компании, как Capital One, Comcast, Home Depot и Shell, — которые за последние три-пять лет вложили значительные средства в развитие возможностей машинного обучения. Хотя эти компании не так продвинуты в использовании машинного обучения, как интернет-гиганты, по сравнению с их коллегами, эти компании довольно далеко продвинулись. Они создали формальные группы или центры передового опыта по машинному обучению, искусственному интеллекту и/или науке о данных, они продвигают лучшие практики в своих организациях, и их первая волна проектов машинного обучения недавно достигла зрелости.
Успех этих первых усилий привел к неудивительному результату: от имени бизнеса потребовались решения, основанные на машинном обучении, для решения все большего числа их бизнес-проблем.
По мере того как в этих компаниях запускается все больше малых и больших усилий по машинному обучению, глубокому обучению и науке о данных, эти команды и ИТ-организации, с которыми они работают, начинают задаваться вопросом, что можно сделать, чтобы лучше поддержать эти усилия по машинному обучению, поскольку они расширяться для поддержки большего количества проектов и команд.
Часть ответа на успешное масштабирование машинного обучения заключается в поддержке специалистов по данным и инженеров по машинному обучению современными процессами, инструментами и платформами. Это ключ к сокращению времени, необходимого для доставки модели от идеи до производства, и увеличению количества моделей машинного обучения, которые организация может развернуть с ограниченными ресурсами.
Теперь, если вы какое-то время следили за мной или подкастом, вы знаете, что платформы — это одна из тем, которыми я действительно люблю заниматься. Итак, я рад объявить, что мы будем подробно изучать эту тему здесь, в подкасте, в течение следующих нескольких недель.
В нашей серии подкастов «Платформы ИИ», которая началась на этой неделе с интервью с участием Facebook и Airbnb, вы услышите от людей, создающих и поддерживающих платформы машинного обучения в масштабе. Мы углубимся в процессы машинного обучения в их компаниях, технологии, которые они внедряют для ускорения обработки данных и разработки машинного обучения, проблемы, с которыми они сталкиваются, что их волнует, и многое другое.
Кроме того, в рамках этих усилий я публикую серию электронных книг по этой теме. Первый рассматривает платформы ИИ снизу вверх и фокусируется на том, как поддерживать машинное обучение в масштабе с точки зрения инфраструктуры. Я считаю, что проект Kubernetes с открытым исходным кодом, который используется в Airbnb, Booking.com и OpenAI, является сильным соперником в этой области, и в своей первой книге я сосредоточил внимание на Kubernetes для машинного обучения, глубокого обучения и искусственного интеллекта.
Во второй книге серии Agile Machine Learning Platforms исследуется проблема масштабирования науки о данных и разработки машинного обучения сверху вниз. В нем демонстрируются внутренние платформы, созданные такими компаниями, как Airbnb, Facebook, Uber и Google, и исследуются дисциплины процессов, воплощенные в этих платформах, и чему предприятия могут научиться у них в отношении масштабирования разработки машинного обучения.
Это захватывающий проект для нас здесь, в TWiML, и электронные книги скоро будут доступны на веб-сайте TWiML. Если вам интересна эта тема, я рекомендую вам следить за подкастом в этом месяце, посетить twimlai.com/aiplatforms и подписаться, чтобы получать уведомления, как только книги будут опубликованы.
Первоначально опубликовано на twimlai.com 8 ноября 2018 г.
