笔记-Lecture 01: When to Use ML and Course Vision
This note is hosted on Notion: Lecture 01: When to Use ML and Course Vision
views
| comments
机器学习产品 v.s. 机器学习运维
| 机器学习产品 | 机器学习运维 | |
|---|---|---|
| 了解用户交互和模型需求 | 部署、维护、运维ML Models | |
| 如何构建高效开发机器学习系统的团队和组织 | 生成机器学习产品的系统实践 | |
| 产品管理 | 如何构建基础设施以重复可控地构建模型 | |
| 最佳实践 | 大规模实践，团队协作研发系统 |
AI的主要作用：减少了预测的成本
你的项目是否可以/需要使用ML？
- Top1 - Data Availability：
- 数据获取是否困难？
- 数据标注成本是否昂贵？
- 需要多少数据？
- 数据是否稳定？
- 数据安全是否重要？
- Second, Accuracy Requirement:
- 预测错误的成本？
- 正确样本出现的频率？（生成式模型）
- 伦理影响？
- Finally, Problem Difficulty:
- 问题是否明确定义？
- 是否有人研究过类似的问题？（新问题总是充满风险）
- 计算资源需求？
ML难以解决的问题
| 1. 高维、模糊的复杂输出 | 3D重建、视频预测、对话系统、开放式推荐 | |
|---|---|---|
| 2. 可靠性、高精度、高鲁棒 | 分布外失效、对抗性攻击的鲁棒性、高精度位置估计 | |
| 3. 泛化性、分布外数据、推理、规划、因果性 | 自动驾驶边缘案例、小数据 |
不同定义下的ML产品
| Software 2.0 | 当今软件正在做的，使用ML做得更好 | |
|---|---|---|
| Human-in-the-loop（人机协同） | 通过使用ML工具，帮助人类把他们的工作做得更好 | |
| Autonomous System | 使用ML将人类工作自动化 |
产品开发中的“数据飞轮”
| Impact | feasibility | |
|---|---|---|
| high | low | Auto sys |
| mid | mid | Human-in-the-loop |
| low | high | Software 2.0 |
ML产品的生命周期
在 Notion 参与讨论
本文托管在 Notion，欢迎到原文评论区留言交流