當前的深度學習框架不會改變機器學習的能力增長

AiTechYun

編輯：nanan

框架只是在應用程序中廣泛採用機器學習的中間步驟。我們需要的是更多的視覺產品，而這些可能還需要幾年的時間。

當前的機器學習(ML)框架是ML的產品化過程中需要的一個中間步驟，它包含在應用程序環境中。為了真正取得成功，ML供應商需要更像商業用戶，而不是程序員。開始的一種方法是學習商業智能(BI)領域提供的經驗。

有人曾說過，歷史是不會重演的。深度學習(DL)框架，如TensorFlow和Caffe，得到了大量的技術新聞報道，因為這正是它們的技術。為了了解它們的局限性，我們來回顧一下世代計算機語言的標準定義:

—1st: 機器代碼，二進位的0和1；

—2nd: 彙編語言；

—3rd: 邏輯編碼的文本，我們大多數人認為是計算機「語言」，如Python、C、Fortran和Cobol；

—4th: 具有現代用戶體驗(UX)的環境，如商業智能(BI)、Visual C、PowerBuilder、Oracle、SAP和其他開發工具。

每一代都允許進行更多的編程(用調試的代碼行來度量)，工作量更少。最重要的是，每個級別都允許更多的人員來完成任務，因為每個級別都是一個抽象層，它隱藏了下面層的gory細節。第四代工作的重點是讓人們「編程」而不用編碼。

另一個常用的術語是「數據科學家」。「神話的主要問題在於，這樣的人應該長期存在。」我認為這句話應該是在一個新技術解決方案的早期階段，人們需要深入的知識來解決問題的團隊。

但是，第四代列表中的第一項是BI。最初，向現有業務應用程序添加分析需要深入了解統計建模，以便用第三代語言編寫信息。這是人們首次提到數據科學家的時候。

隨著BI的進步，圖形化開發和洞察力交付實現了更易於訪問的UX，從而擴大了BI的吸引力和用戶群。現在，BI的問題是「信息和洞察力交付鏈能夠產生分析的能力有多大？」BI應用程序讓業務分析人員創建了非常詳細的分析，並允許業務管理通過在屏幕上拖動一些對象來做更多的事情。圖形用戶體驗可以在業務應用程序中實現BI的爆炸式增長。

在歷史的押韻術語中，框架是第三代工具。他們隱藏了機器訓練的一些細節，相當於第二代機器知識，並在模塊和隱藏代碼中抽象出來，允許程序員用一些ML技術和能力擴展他們的應用程序。

雲，非框架，推動著當前的機器學習

ML讓我們看到的主要影響不是框架的力量，而是雲的力量。轉向雲計算讓核心程序比以往任何時候都有更大的覆蓋範圍。例如，Amazon Alexa和Echo依靠Amazon AWS來驅動應用程序。最受關注的ML應用程序非常少，但它們非常流行，這多虧了雲伺服器。

然而，大多數企業還沒有運行在公共雲上。這種情況最終會發生，但還需要幾年的時間。在防火牆內的伺服器上運行的軟體太多了。大多數公司將為其任務關鍵型應用程序採用公有雲的第一步將是部署私有雲（保留在公司防火牆內的雲基礎架構和伺服器場）。結果將會比公共雲中的控制更多，定製更系統。

同時，ML應用程序的添加將由少數了解ML框架的高薪專家完成。因此，企業ML將專註於雲應用程序，而不是僱用昂貴的內部資源。

商業智能的增長應該通知機器學習的增長

過去十年中，第四代BI工具開始獲得動力，取代了早期的工具。IBM公司收購了Cognos, SAP收購了Business Objects和Tableau，開始大力改變他們的軟體，以便在交付分析和開發周期中變得更加直觀。

由年輕的BI公司接受UX和雲驅動的變化在過去的十年中改變了BI的面貌。可視化無處不在，管理層可以做更多的事情來實時調查自己的業務。

在ML中也需要同樣的改變，容器僅僅是一個開始，封裝了ML代碼和環境，你可以把它看作是「類固醇模塊」，但仍然需要第三代知識來利用它們的力量。

我在尋找的是第一批開始提供視覺工具以將ML添加到現有視覺開發環境中的公司的興起。這將使更多的人能夠利用ML而不必離開自己的專業領域並成為機器學習專家。

我在BI領域聽過太多的分析了，直到今天，我還在討論BI的挑戰是如何教會業務用戶像數據科學家一樣思考。他們討論了如何培訓業務用戶，讓他們更像程序員。這是倒退。

數據科學家面臨的挑戰就像商業用戶一樣思考。ML專家也是如此。他們開始越來越像商業用戶那樣思考，並開發工具讓商業分析師和管理人員能夠充分利用ML的力量，而不必像「ML科學家」那樣思考，ML的潛力將越快成為現實。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！