Dies ist eine Frage, die für jede Art von Entwicklung relevant ist, und maschinelles Lernen (ML) ist keine Ausnahme. Gleichzeitig werden sich sicherlich viele fragen: Warum wird dieser Artikel benötigt, wie unterscheidet sich Ihre ML so stark von der Standardentwicklung, nach der Artikel bereits als Wagen geschrieben wurden? Lesen, analysieren und wählen Sie den richtigen Weg .
Einerseits so wie es ist - und es gibt viele Artikel zu analysieren und zu analysieren. Auf der anderen Seite gibt es eine Besonderheit - und die Inszenierung der ML-Entwicklung unterscheidet sich etwas von der Standard-Inszenierung, und die Arbeit geht nicht nur (und nicht so sehr) mit dem Code, sondern auch mit den Daten.
Aber lassen Sie uns alles Schritt für Schritt durchgehen - lassen Sie uns die Unterschiede auf den Punkt bringen, und dann werden wir herausfinden, ob es in der ML-Entwicklung einen Platz für Outsourcing gibt und was es ist.
Anstelle einer Einführung ein paar Worte zu den Unterschieden
Tatsächlich besteht die Hauptspezifität der ML-Entwicklung darin, dass nicht der Code regiert, sondern die Daten. Natürlich gibt es auch eine Besonderheit, dass wir keine ML-Algorithmen schreiben, sondern nur (Zug) verwenden, aber auch hier geht es hauptsächlich um Daten. Und was haben wir? Das ist richtig - Daten sind in erster Linie ein strategischer Vermögenswert eines Unternehmens. Im Großen und Ganzen ist ML nichts anderes als der Prozess der Monetarisierung dieses sehr strategischen Vermögenswerts. Und wie viele sind bereit, die Monetarisierung ihres Vermögens "zur Seite" zu stellen?
Eine lustige Analogie kam mir in den Sinn ... es gibt einen berühmten Satz: "Daten sind Öl des 21. Jahrhunderts." Wenn wir diese Analogie fortsetzen, ist ML eine Ölraffinerie. Und natürlich gibt es Ölproduzenten, die Rohöl verkaufen, aber das meiste davon raffiniert und verkauft das bereits raffinierte Produkt.
Vergessen Sie natürlich nicht, dass es sich bei den Daten in vielen Unternehmen um Informationen handelt, die kommerzielle / persönliche / medizinische Geheimnisse enthalten (unterstreichen oder löschen Sie die erforderlichen Informationen), und dies führt auch zu einer Reihe von Einschränkungen oder erfordert zumindest eine erhöhte Aufmerksamkeit.
, “ , , !”. . , , ML - . , .
1 -
, ML , ? , , , - . , , - - . , , . , "" ( ).
“ ?” - . , . . , , ( ), . .
- ML . - - PoC (Proof of Concept). ( CRISP-DM):
0 - . . - .
1 - . , . - , , , .. , .
2 - . . , . .
3 - . - . ML, “ ”.
4 - . :
ML
.
- ML DSaaS (DataScience as a Service), . - - . … .
2 - -
. ML , ? - . , “ ” , . ( ), . , ML - . . , . -, , , , , :
( )
, -
ML , . , - - .
, , , . . - - . , :
, :
- , ?
- - ,
- - , , ( )
- - , , , .
, . :
- . ?
( ) , .
- - - . ?
- //
, ,
/ , “ ” “”, “ .. ”, . - ML , “ ”, " " “ ” ( , , ..) .
, - :
- , . ML - , “ ”.
- , . ML - . .
, :
ML,
- PoC , -
-