Сатирическое руководство о том, как избежать производства где-либо рядом с вашими моделями машинного обучения.
Обзор вашего путешествия
- Введение — нет производства, нет проблем!
- Ноутбуки можно использовать для всего!
- Зачем автоматизировать, когда есть время?
- Тестирование? Просто никогда не делайте ошибок!
- Управление зависимостями в моей голове!
- Подведение итогов
1 — Введение — Нет производства, нет проблем!
Как специалисты по обработке и анализу данных, инженеры данных и инженеры по машинному обучению нас засыпают информацией о моделях машинного обучения в производстве. Сотни видеороликов и тысячи блогов изо всех сил пытались помочь нам избежать ситуации, в которой мы оказались. Но безрезультатно. Сейчас мне больно говорить, что модели машинного обучения находятся в производстве по всему миру. Создание ценности для миллионов неосведомленных людей. На каждом углу улицы. И мы терпим это только потому, что это обычное дело.
Отправляясь на конференции, я слушаю нервных специалистов по данным на сцене перед большой аудиторией, говорящих о производстве. По их поту на лбу и липким рукам видно, что ситуация серьезная. Это продолжается уже много лет, но мы не доверяли их пророчествам. И посмотрите на нас сейчас. Мы должны были слушать.
Сейчас не время говорить: «Я же говорил». Нам нужно объединиться, чтобы вернуть то, что принадлежит нам. Нам нужно в одностороннем порядке заявить о презрении к современным способам ведения дел. Нам нужно вернуться в лучшие времена, когда модели машинного обучения в производстве были просто необязательным пунктом в объявлениях о вакансиях для компаний среднего размера.
Кто-то должен взять на себя инициативу и направить этот путь искупления. А кто лучше меня? Не собираясь хвастаться, я сделал несколько моделей ML, которые не пошли в производство. Некоторых из них даже близко не было. Я могу поделиться с вами несколькими лучшими советами, чтобы вам не нужно было копировать свою среду разработки — потому что больше ничего не будет.
Я четко разделил каждый следующий раздел на две части. Первый называется Праведный путь. В нем рассказывается, как избежать моделей машинного обучения в производстве…