2024-01-28-机器学习工程师的生产实践（MLOps）之（一）- 吴恩达

摘要

2024-01-28 周日杭州晴

小记: 2023 年人工智能相关的应用做了些实验，考了项目管理的资格认证，也系统地学习了系统架构设计相关的考试，30岁前保持持续学习，30以后将所学应用于各种个人项目中去。
持续学习是一个一生的话题，一开始做云原生，算力资源调度；为了懂的业务开发，系统的考试了证券和基金从业还有参与了低代码的设计工作。我的个人的职业路线逐渐清晰明了，云原生 + 低代码 + 人工智能。

课程内容

1. 机器学习流程

2. 缺陷检测的例子

说明:

a. 设计拍摄照片存在划痕，如何通过 AI 检测；
b. 边缘设备会通过照片进行特征提取;
c. 提取的特征数据通过 API 接口调用 AI 预测；
d. 预测过程就是一个 X -> Y ，通过特征参数预测结果并将结果返回边缘测；

心得: 这就是一个最简单的 AI 应用场景，如何更加丝滑的实现这个场景却不是架构图那样简单，可能要处理的问题场景却是繁杂的。

3. MLOps 系统概览

笔记: 越来越多的工作会被 AI 取代，但是当下对于如何使用和应用及其学习系统却不是一个单一的技术问题，而是一个系统且繁杂的系统工程，生产中的机器学习系统真正的机器学习编码只不过占据 5% ~ 10% 的资源，其中配置，数据收集，特征工程，机器资源管理，预测分析，基础架构，监控系统都是举重若轻的存在，也不要单纯的以为机器学习就是在搞算法研究，算法研究很难出结果的，并且 AI 时代下的创新型编码会越加重要但是搬砖的工作确实越来越少的。