取代上万行遗留代码，机器学习模型终“上位”！

作者 | Julien Simon

译者 | 弯月

出品 | CSDN（ID：CSDNnews）

最近，《2021年人工智能状况报告》发布。同时，Kaggle 也发布了机器学习与数据科学现状调查报告。这些报告包含很多值得学习和探讨的地方，其中有一些引起了我的注意。

“在疫情肆虐期间，人工智能在关键基础设施领域的应用越来越多，比如美国国家电网和超市自动结帐等。然而，对于该行业的成熟度能否满足其不断增长的部署规模，人们仍持质疑态度。”

不可否认，机器学习驱动的应用程序逐步渗透到了 IT 的每一个角落。但这对各家公司和组织意味着什么？我们如何才能构建可靠的机器学习工作流程？我们是否需要寻找 100 名数据科学家？或者 100 名开发运维工程师？

“Transformer 已成为机器学习的通用架构。不仅用于自然语言处理，还用于语音、计算机视觉，甚至是蛋白质结构的预测。”

我们都知道 IT 界没有万灵药。然而，Transformer 架构确实适用于各种机器学习任务。但是，我们如何才能跟上机器学习疯狂创新的步伐呢？我们是否需要专家才能应用这些最先进的模型？我们能否找到能够在短时间内创造商业价值的捷径？

面向大众的机器学习

如今，机器学习无处不在，或者说正在朝着这个方向发展。几年前，福布斯曾有一篇文章表示：“软件吞噬了这个世界，而如今人工智能正在吞噬软件”。但这到底是什么意思？我认为，这意味着机器学习模型可以取代成千上万的遗留代码。

那么，这是否意味着机器学习将完全取代软件工程？如今，很多人都在幻想利用 AI 生成代码，有些技术其实很有意思，比如寻找 Bug和性能问题。然而，我们不仅不能摆脱开发人员，而且还需要赋予他们更多权力，同时将无聊的重复性工作交给机器学习。换句话说，我们真正需要的是让软件吞噬机器学习！

机器学习的最新应用

多年来，我一直认为，十年前的软件工程最佳实践也适用于数据科学和机器学习：版本控制、可重用性、可测试性、自动化、部署、监控、性能、优化等。Google 也曾表示：

“用你熟悉的工程师方式去实现机器学习，不要用你不熟悉的机器学习专家的方式。”

—— 机器学习规则，Google（https://developers.google.com/machine-learning/guides/rules-of-ml）

我们不需要重新发明轮子。开发运维运动已于 10 多年前解决了这些问题。如今，数据科学和机器学习社区都应该采用和调整这些久经考验的工具和流程。这是我们在生产中构建强大、可扩展且可重复的机器学习系统的唯一方法。我们可以称之为“机器学习运维”（MLOps）。

概念验证和 A/B 测试只不过是迈向生产的一小块垫脚石，称不上伟大的成就。每一位数据科学家和机器学习工程师都应该尽快将他们的机器学习模型投入生产。一个沙盒模型即便再伟大，也远不如一个普通的生产模型。

基础设施

现在是 2021 年，IT 基础设施不应再成为阻碍因素。不久前，软件已经通过云 API、基础设施即代码、Kubeflow 等抽象化的方式，吞噬了基础设施。

如今，机器学习基础设施也在迅速地发展。根据 Kaggle 的调查，75%的公司都选择使用云服务，超过 45% 的企业使用机器学习平台，其中Amazon SageMaker、Databricks 和 Azure ML Studio 位居前三。

有了机器学习运维，软件定义的基础设施和平台，我们就可以很容易地将想法从沙盒带入生产。回到开头的几个问题，你需要的是更多精通机器学习的软件和开发运维工程师，而不是更多的数据科学家。

Transformer

人工智能状况报告表示：“Transformer 架构的应用已经远远超出了自然语言处理，正在成为通用的机器学习架构。”例如，最近的模型，如 Google 的Vision Transformer 是一种无卷积 Transformer 架构，还有 CoAtNet 结合了 Transformer 与卷积，为 ImageNet 的图像分类设定了新的基准，同时训练所需的计算资源也更少。

另外，Transformer 在音频（例如语音识别）以及点云（一种用于模拟自动驾驶 3D 环境的技术）方面的表现也很出色。

Kaggle的调查结果也表明 Transformer 的兴起。该框架的使用量逐年增长，而 RNN、CNN 和梯度提升算法正在衰退。

除了提高准确性之外，Transformers 还在不断改善迁移学习，不仅能够节省训练时间和计算成本，而且还能更快地交付业务价值。

随着 Transformers 的发展，机器学习的世界正在由“从零构建和训练深度学习模型”逐步转变为“选择一个现成的模型，然后利用数据进行微调即可使用。”

从很多方面来说，这是一件好事。  最先进的技术在不断进步，几乎没有人能跟上该领域无情的步伐。还记得之前提到的 Google Vision Transformer 模型吗？你想试试看这个模型吗？在Hugging Face 的帮助下，尝试该模型非常简单。

还记得 Big Science 项目推出了最新的零样本文本生成模型吗？如今，你可以通过Hugging Face，尝试 16,000 多个模型和1,600 多个数据集，此外还可以使用推理、AutoNLP、延迟优化和硬件加速等工具。

HuggingFace 的目标是提高机器学习的易用性和效率，无论你是初学者还是专家，都可以轻松地使用各种机器学习模型。

我们希望尽可能减少训练、优化和部署模型所需编写的代码量。我们希望基础设施尽可能透明。我们希望提供高质量的生产模型。

参考链接：

https://huggingface.co/blog/the-age-of-ml-as-code