Ini adalah pertanyaan yang relevan dengan segala jenis pengembangan dan tidak terkecuali machine learning (ML). Tetapi pada saat yang sama, pasti banyak yang akan bertanya - mengapa artikel ini dibutuhkan, bagaimana ML Anda sangat berbeda dari pengembangan standar, menurut artikel mana yang sudah ditulis gerobak - baca, analisis, dan pilih jalur yang benar .
Di satu sisi, apa adanya - dan ada banyak artikel untuk dianalisis dan dianalisis. Di sisi lain, ada kekhususan - dan pementasan pengembangan ML agak berbeda dari yang standar dan pekerjaannya tidak hanya (dan tidak terlalu) dengan kode, tetapi dengan data.
Tapi mari kita ambil semuanya selangkah demi selangkah - mari kita bahas perbedaannya secara singkat, lalu kita akan mencari tahu apakah ada tempat untuk outsourcing dalam pengembangan ML dan apa itu.
Alih-alih pengantar, beberapa kata tentang perbedaannya
Faktanya, kekhususan utama pengembangan ML adalah bukan kodenya yang mengatur, tetapi datanya. Tentu saja, ada juga kekhususan bahwa kami tidak menulis algoritme ML, tetapi hanya menggunakan (melatih), tetapi ini, sekali lagi, sebagian besar tentang data. Dan apa yang kita punya? Itu benar - data pada dasarnya adalah aset strategis suatu perusahaan. Dan pada umumnya, ML tidak lebih dari proses memonetisasi aset yang sangat strategis ini. Dan berapa banyak yang siap memberikan monetisasi aset mereka "ke samping"?
Sebuah analogi lucu muncul di benak ... ada ungkapan terkenal - "Data adalah minyak abad ke-21." Jadi jika analogi ini kita lanjutkan, maka ML adalah kilang minyak. Dan tentunya Anda bisa menemukan produsen minyak yang menjual minyak mentah, tetapi sebagian besar masih memurnikan dan menjual produk yang sudah dimurnikan.
Ditambah, tentunya jangan lupa bahwa data di banyak perusahaan merupakan informasi yang mengandung rahasia komersial / pribadi / medis (menggarisbawahi atau menghapus informasi yang diperlukan) dan ini juga memberlakukan sejumlah batasan atau setidaknya membutuhkan perhatian yang lebih.
, “ , , !”. . , , 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 , -
-