Discuz! Board

 找回密码
 立即注册
搜索
热搜: 活动 交友 discuz
查看: 85|回复: 0

者认为延迟是由于

[复制链接]

1

主题

1

帖子

5

积分

新手上路

Rank: 1

积分
5
发表于 2024-2-11 18:08:08 | 显示全部楼层 |阅读模式
单个 ML 模型的部署大约需要 1-11 周,26% 的从业缺乏高管支持造成的。机器学习工程师预计会在一些领域提出困难的支出请求,这些支出可能不会立即得到回报,但从长远来看会让他们提高生产力。 他们适应性强。机器学习计划可能会遇到各种问题,例如获取足够的数据或开发的模型不够精确,无法满足业务需求。为了交付项目,您必须快速改变策略以克服障碍,而不会感到沮丧或忽视最终目标。展示出的工具多功能性也是一个优势。ML 工程工作还需要具备一些流行框架和库(例如 TensorFlow、PyTorch 和 sci-kit learn)的经验。

他们是好奇且有效的问题解决者。事情不可避免地会出错,最优秀的机器 加拿大手机数据库 学习工程师将不得不跳出框框来解决机器学习、数据和软件方面的困难。有时,看似数据科学问题(误报)实际上是机器学习管道上游的一个微妙问题,导致了不良结果。优秀的机器学习工程师必须能够轻松地检查各种可能的根本原因,并有耐心不断提出问题。 他们的态度很谦虚。我们的环境并不是一成不变的,人工智能正在快速变化。我们努力记住,我们在不断学习,虽然证明产品完美是一个无法实现的目标,但我们可以不断改进。举个例子,当谷歌从我们的 Cloud Vision API 中消除性别标记时,机器学习工程师不得不随着时间的推移做出复杂的判断。在内部和外部,这些转变可能很难解释,但杰出的机器学习工程师尊重现代技术的复杂性。





普通机器学习工程师与优秀机器学习工程师的区别在于,他们对各种输入的渴望以及建立支持性氛围的能力。 结论: 当您雇用机器学习工程师时,您应该明白,雇用专家并不是 AI/ML 项目成功的唯一标准。成功的 ML 计划需要来自非 ML 工程师但具有敏锐的商业头脑和工程之外的统一愿景的人员的意见。虽然工程知识在人工智能中始终至关重要,但组织必须创建允许每个人(技术人员和非技术人员)参与将项目从测试转移到部署人工智能的过程。

回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Archiver|手机版|小黑屋|DiscuzX

GMT+8, 2024-11-14 03:03 , Processed in 0.039858 second(s), 18 queries .

Powered by Discuz! X3.4

Copyright © 2001-2021, Tencent Cloud.

快速回复 返回顶部 返回列表