算法工程师的日常工作内容？你想知道的可能都在这里

击上方“AI算法与图像处理”，选择加"星标"或“置顶”

重磅干货，每天8:25送达

发构建模型占流程中的最小的比重

与花费在选择，提取和清理数据的所有这些时间相比，实际构建模型所花费的时间将非常少。对于特别是模型的版本1，您可能希望将模型用作基线测试，那么您可能在第一个实例中仅花费少量时间进行模型选择和调整。一旦业务价值得到证实，您就可以投入更多时间来优化模型。

调整模型比您想象中要花费更少的时间

在Kaggle比赛中，花费数周时间调整模型以获得模型得分的小幅提升并不罕见。由于这个小小的改进可能会提升你在排行榜上的几个名次。例如，在当前的Severstal 竞赛中，排行榜上位置1和2之间的得分差异目前仅为0.002。绝对值得花时间来提高你的分数，因为它可能会给你带来最高奖金。

来源：Kaggle.com

在商业中，您花在调整模型上的时间是成本（烧钱的）。公司必须按照您在此任务上花费的天数或周数支付工资。与所有事物一样，需要以商业价值的形式回报这种投资。模型的业务用例不太可能提供足够的价值来证明花费数天的时间来提高模型的准确性，增量为0.002。实际上，您将调整模型直到它“足够好”而不是“最佳”。

您不一定会使用最好的模型

这引出了我的下一点，即你不会总是使用最好的模型或最新的深度学习方法。通常，您可以使用更简单的模型（如线性回归）来提供更多业务价值。这花费的时间更少（因此搭建模型的成本更低）并且更易于解释。

您的模型必须连接到某个终端（endpoint），例如网站。此终端的现有技术堆栈将对您将部署的模型类型产生很大影响。数据科学家和软件工程师经常会在最小化两端的工程工作方面做出妥协。如果您有一个新模型，这意味着要对现有部署流程或大量工程工作进行更改，那么您必须拥有一个非常好的业务案例来部署它。

工作并不止于此

一旦投入生产，就需要对模型进行监控，以确保其在训练和验证过程中的性能和检查模型降级情况。由于多种原因，模型的性能通常会随着时间的推移而降低。这是因为数据会随着时间的推移而变化，例如客户行为发生变化，因此您的模型可能会开始在这些新数据上表现不佳。因此，模型还需要定期重新训练以保持业务性能。

此外，大多数企业将拥有用于部署机器学习模型的测试和学习周期。因此，您的第一个模型通常是版本1，以形成性能基准。之后，您将对模型进行改进，可能会更改功能或调整模型，部署更好的版本并针对原始模型进行测试。

在此模型不再存在业务案例之前，这两个过程都可能正在进行。

结论

这篇文章的部分灵感来自Chip Huyen的推文。

招聘机器学习从业者很困难的部分原因是，我在这里讨论的许多在商业中部署机器学习的现实都没有在这些课程中讲授。这就是为什么我喜欢实用的第一种学习方法，以及为什么我认为工业实习，实习和初级数据科学角色如此重要。

然而，隧道尽头有光，因为这个领域的技术正在迅速发展，有助于实现数据清理和模型部署等流程的自动化。但是，我们还有很长的路要走，因此对于数据科学家来说，开发软件工程技能，提高沟通技巧，以及拥有弹性和持久的思维模式，以及典型的数据科学家技能组合仍然至关重要。

谢谢阅读

原文链接：https://towardsdatascience.com/machine-learning-in-real-life-eebcb08f099c?source=user_profile---------0-----------------------

end

交流群

扫码添加助手，可申请加入AI_study交流群。一定要备注：研究方向+地点+学校/公司+昵称（如目标检测+上海+上交+卡卡西），不根据格式申请，一律不通过。

【目前已有众多知名高校学生和从业者在群里面学习成长，期待你的加入】

推荐阅读：

好书分享 | 视觉算法工程成长指导手册

你点的每个“在看”，我都认真当成了喜欢