继夫的玩弄H辣文的小说|女人与拘性猛交视频|精品欧美高清不卡高清|一起做亏亏的事情的视频|啦啦啦在线视频观看|望月直播下载ios版本|国产日韩欧美一区二区三区

  1. 首頁 > 生活 > >

人工智能和大數據有什么區別？

生活百科人工智能

AI 在所有行業/地區的引入正在創造軟件開發人員十年前從未夢想過的規模的新功能 。但這種發展不僅僅是技術問題 。AI 和云基礎設施的結合正在觸發一個令人著迷的人事變動 ， 您無法忽視;它正在改變某些工程師的角色 ， 并創造了一個全新的要求，需要一個全新的工程專業 。
讓我們回顧一下迄今為止的演變 。在云時代之前，事情就更簡單了：工程師們應該管理生產過程 ， 并擔心軟件本身的規模 。它在當時是有意義的，因為沒有框架能夠使軟件邏輯與計算資源分離 。軟件與預先定義的離散硬件計算資源緊密相連 。但如今，在云和彈性計算資源的時代，我們將工程師分成更專業化、更獨特的團隊，以構建利用這些彈性計算平臺的軟件解決方案、產品和服務：
后端工程師- 通常負責構建軟件背后的邏輯 。有時，根據具體應用，該團隊的一部分將包括算法專家 。這將發生在項目中，其中構建邏輯 – 特別是建筑邏輯， 可以縮放 – 需要的不僅僅是 “工程” 或簡單的 “如果這話，那么” 邏輯 。這種專業知識的需求是基于軟件日益復雜的復雜性和需求 ， 以及可用于支持它的計算馬力的急劇增加而自然演變的 。前端工程師- 構建頂級應用層和用戶界面 。構建一個引人入勝、邏輯合理且適應性強的人機接口確實需要相當的技能，并且是開發過程的一個重要方面 。盡管如此，我相信這個領域仍然等待著巨大的中斷和范式的改變，因為瀏覽器界面的局限性為簡化、高效的應用程序開發和生產制造了重大障礙 。
工程師- 負責將軟件 （代碼容器）縮放到彈性云上進行部署計算機人工智能及應用，以便輕松滿足盡可能多的用戶的需求，并優雅地處理所需的負載 。工程師不太了解或不需要了解他們需要支持的軟件的實際邏輯 。
【人工智能和大數據有什么區別？】所以 。。。有什么變化？
AI 挑戰我們剛剛討論過的角色的組織結構，這種變化是由一個核心因素推動的：數據在開發引擎中的關鍵 cog 的作用 。
機器學習及其更”大腦”的表親深度學習都是利用神經網絡等算法的學科，而神經網絡又被大量數據源滋養計算機人工智能及應用，以創建和完善核心應用的邏輯 。當然，在深度學習中，這種方法在試圖模仿人腦如何從它通過經驗和感官收集的數據中學習方面走得更遠 。實際上 ， 這兩種技術最終都創造了自己的邏輯路徑來完成給定的任務，并在此，取代后端工程師的工作，因為我們知道它 。
那么，誰管理這個新流程呢？簡單的答案是 ， 我們轉向數據科學家，其工作是選擇正確的初始算法，然后訓練 ， 測試和調諧（和調整，調整和調諧…），他們優化算法 ， 做他們的工作，最終”吐出”軟件的核心應用邏輯 。他或她的培訓工作或實驗將結合某個模型（或神經網絡）與特定的數據集和一組執行參數 。
要是它那么容易就好了：事實上，這不是我們故事的結尾 。
組織已經意識到 ， 僅僅雇傭一些優秀的數據科學家是不夠的 。我們發現，我們又缺少了一個謎題：有人專門這些數據科學家算法需要咀嚼的原材料的選擇、優化和管理 ， 然后擴展實驗過程以測試所需的潛在配置 。這稱為構建數據管道，這不是在過程后期插入到部署中啟動并運行的系統的任務 。相關、可用、可出售的數據管道需要從第一天開始開發 。
這不是一個簡單的任務：與人腦不同，機器/深度學習算法在數據使用前需要大量的幫助來標記或分類數據 。也有很多算法配置參數需要調整 。盡管所有尖端的發展 ， 這些仍然是非常簡單的模型創建，只解決具體問題 – 不真正”思考”自己或表現出真正的人式判斷時 ， 面對意想不到的 。有人需要幫助算法”解決”邊緣案例和數據偏差 。沒有它，軟件無法像人腦”自動”那樣適應離群值和意外情況 。
這也是為什么它也是一個硬件問題;為了有效地創建機器/深度學習解決方案 ， 組織現在需要利用大量專門的硬件來優化任務（目前其中絕大多數由 GPU 處理） 。有些人開始將這一紀律稱為ML-Ops 。從一開始，利用組織的云/彈性計算資源已經成為開發過程中的問題，而不是僅在部署期間需要解決的問題 。
所有這些都是尋找所有者的挑戰，智能組織正在查看其組織圖，以發現此任務的所有者不一定存在 。這當然不是后端工程師的工作，因為它不是關于開發應用程序邏輯 。事實上，這不是傳統的工程師的責任 ， 他們傳統上不參與基礎軟件邏輯或使用案例，也不參與基礎數據源或連接所有內容所需的管道 。此外，與傳統的不同（核心任務是在需要的盡可能多的情況下復制核心軟件并保持高可用性），這里的核心任務是復制大型培訓作業，同時同時運行多個、持續、不同的培訓和實驗作業 ， 以便實現高效和及時的開發過程 。
因此，在引入數據科學家之后，我們終于到達了人工智能開發核心的組織變革的第二階段：輸入數據工程師 。
這個新興的工程師類別（通常稱為數據工程師 ， 有時在行業試圖確定一個術語時有其他名稱）的任務是構建數據管道和擴展機制，以利用人工智能工作負載的彈性計算資源 。他們的工作是向數據科學家提供基于云或預設的數據和基礎設施，以便他們的算法能夠有效地訪問和運行他們的實驗 ， 以構建最終的部署模型 。
因此，數據工程師需要處理一方面是數據管理（以前稱為 DBA），另一方面是處理類似的任務 ， 這些任務需要配置特定的硬件來擴展軟件，以及為每個軟件應用程序安排許多不同（但相關的）任務 。
認識到這一需要的組織現在正迅速采取行動，通過將數據工程師引入流程來重組其 AI 團隊;這一調整使他們在競爭中具有明顯的優勢 ， 而競爭仍在苦苦掙扎——失敗——迫使他們的數據科學團隊在其現有的 IT 或研發組織結構中有效運作 。
本文到此結束，希望對大家有所幫助 。