让数据科学家管理Kubernetes集群了……

明显的不同。

很多公司的机器学习仍然缺少这样的专业知识。

要了解区分机器学习和机器学习基础设施为什么这么重要，这对于研究两者各自的工作内容和所需工具会很有帮助。

为了设计和训练新模型，数据科学家需要：

• 花时间在notebook上分析数据、进行实验。
• 考虑数据结构、为数据集选择正确的模型体系等问题。
• 使用Python、R、Swift或Julia之类的编程语言。
• 在PyTorch或TensorFlow等机器学习框架方面有自己的见解。

换句话说，数据科学家的职责、技能和工具将围绕操纵数据来开发模型，最终输出的将是能够提供最准确预测的模型。

机器学习基础设施与之截然不同。

将模型投入生产的普遍做法是将其作为微服务部署到云端。要将模型部署为生产应用程序界面，工程师需要：

• 同时关注分配文件、终端和云服务商的控制台，以优化稳定性、延迟和成本。
• 考虑自动伸缩实例、更新模型(前提是应用程序界面不崩溃)、在图形处理器上进行推理等问题。
• 使用Docker、Kubernetes、Istio、Flask等工具，以及云服务商提供的任何服务或应用程序界面。

下图展示了机器学习和机器学习基础设施之间的区别，十分形象，易于理解：

（编辑：阿坝站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!