為了成功采用人工智能技術(shù)，組織的IT團隊需要開發(fā)一些機器學習技能，并了解如何將這些轉(zhuǎn)化為主要云平臺所需的技能。
機器學習和人工智能將會繼續(xù)深入IT服務(wù)領(lǐng)域，并為軟件工程師開發(fā)的應(yīng)用程序提供補充。如果IT團隊想跟上發(fā)展步伐，就需要提高他們的機器學習技能。
云計算服務(wù)為構(gòu)建和部署人工智能和機器學習應(yīng)用程序所需的一系列功能提供支持。在許多方面，人工智能系統(tǒng)的管理方式與IT專業(yè)人士在云平臺中熟悉的其他軟件非常相似。但只是因為可以部署應(yīng)用程序，并不意味著可以成功地部署機器學習模型。
雖然這些共同點可能會促進過渡，但也存在著顯著的差異。除了軟件工程技能之外，組織的IT團隊成員還需要擁有特定的機器學習和人工智能知識。除了技術(shù)專長之外，他們還需要了解目前可用的云計算工具來支持他們團隊的計劃。
IT專業(yè)人士需要探索在云端成功使用人工智能所需的五種機器學習技能，并了解亞馬遜、微軟和谷歌提供支持這些技能的產(chǎn)品。雖然這些技能有一些重疊，但不會有全能的技能。通過培養(yǎng)具有這些技能的團隊成員，可以讓組織獲得利用基于云計算的機器學習的優(yōu)勢。
1.數(shù)據(jù)工程
如果IT專業(yè)人員想在云平臺實施任何類型的人工智能策略，都需要了解數(shù)據(jù)工程。數(shù)據(jù)工程包含一系列要求數(shù)據(jù)整理和工作流開發(fā)的技能，以及一些軟件架構(gòu)的知識。
IT專業(yè)知識的不同領(lǐng)域可以分解為IT專業(yè)人員應(yīng)該完成的不同任務(wù)。例如，數(shù)據(jù)整理通常涉及數(shù)據(jù)源標識、數(shù)據(jù)提取、數(shù)據(jù)質(zhì)量評估、數(shù)據(jù)集成和管道開發(fā)，以在生產(chǎn)環(huán)境中執(zhí)行這些操作。
數(shù)據(jù)工程師應(yīng)該能夠輕松地使用關(guān)系數(shù)據(jù)庫、NoSQL數(shù)據(jù)庫和對象存儲系統(tǒng)。Python是一種流行的編程語言，可以與批處理和流處理平臺(如apachebeam)和分布式計算平臺(如apachespark)一起使用。即使IT人員不是精通Python程序的專家，掌握一些Python語言的知識將使其能夠從大量的開源工具中獲取數(shù)據(jù)工程和機器學習。
數(shù)據(jù)工程在所有主要云平臺中都得到了很好的支持。AWS公司提供了全面的服務(wù)來支持數(shù)據(jù)工程，例如AWS Glue，適用于Apache Kafka的Amazon Managed Streaming(MSK)和各種Amazon Kinesis服務(wù)。AWS Glue是數(shù)據(jù)目錄以及提取、轉(zhuǎn)換和加載(ETL)服務(wù)，其中包括對計劃作業(yè)的支持。MSK是數(shù)據(jù)工程管道的有用構(gòu)建塊，而Kinesis服務(wù)對于部署可擴展流處理管道特別有用。
谷歌云平臺提供了Cloud Dataflow，這是一項托管的Apache Beam服務(wù)，可以支持批處理和Steam處理。對于ETL流程，谷歌云平臺提供了基于Hadoop的數(shù)據(jù)集成服務(wù)。
Microsoft Azure也提供了幾種托管數(shù)據(jù)工具，例如Azure Cosmos DB、Data Catalog和Data Lake Analytics等。
2.建立模型
機器學習是一門正在不斷發(fā)展和進步的學科，IT人員可以通過研究和開發(fā)機器學習算法來從事自己的職業(yè)。
IT團隊使用工程師提供的數(shù)據(jù)來構(gòu)建模型和創(chuàng)建可以提出建議，預測值和對項目進行分類的軟件。重要的是要了解機器學習的基礎(chǔ)知識，即使許多模型構(gòu)建過程都是在云中自動完成的。
作為模型構(gòu)建者，需要了解數(shù)據(jù)和業(yè)務(wù)目標，制定問題的解決方案，并了解如何將其與現(xiàn)有系統(tǒng)集成的工作。
市場上的一些產(chǎn)品包括谷歌公司的Cloud AutoML，這是可以幫助組織使用結(jié)構(gòu)化數(shù)據(jù)以及圖像、視頻和自然語言來構(gòu)建自定義模型的服務(wù)，而無需對機器學習有更多的了解。微軟Azure在Visual Studio中提供了ML.NET模型構(gòu)建器，該模型構(gòu)建器提供了用于構(gòu)建、訓練和部署模型的界面。Amazon SageMaker是另一項托管服務(wù)，用于在云中構(gòu)建和部署機器學習模型。
這些工具可以選擇算法，確定數(shù)據(jù)中哪些特征或?qū)傩宰钣杏?，并使用稱之為超參數(shù)調(diào)整的過程優(yōu)化模型。這些服務(wù)擴展了機器學習和人工智能策略的潛在用途。正如人們駕駛汽車不必成為汽車機械工程師一樣，IT專業(yè)人員也不需要獲得機器學習的研究生學位來構(gòu)建有效的模型。
3.公平與偏差檢測
算法做出的決策直接而顯著地影響個人。例如，金融服務(wù)使用人工智能來做出有關(guān)信貸的決策，這可能會無意中對特定人群產(chǎn)生偏見。這不僅可能有拒絕信貸對個人帶來的影響，而且還會使金融機構(gòu)面臨違反《平等信貸機會法》等法規(guī)的風險。
這些看似艱巨的任務(wù)對于人工智能和機器學習模型是必不可少的。檢測模型中的偏差可能需要具有統(tǒng)計和機器學習技能，但是與模型構(gòu)建一樣，某些繁重的工作可以由機器完成。
FairML是用于審核預測模型的開源工具，可幫助開發(fā)人員識別工作中的偏見。檢測模型偏差的經(jīng)驗還可以為數(shù)據(jù)工程和模型構(gòu)建過程提供幫助。谷歌云的公平性工具在市場上領(lǐng)先，其中包括假設(shè)分析工具、公平性指標和可解釋的人工智能服務(wù)。
4.模型性能評估
模型構(gòu)建過程的一部分是評估機器學習模型的性能。例如，根據(jù)準確性和召回率對分類器進行評估。回歸模型(例如那些預測房屋出售價格的模型)是通過測量平均誤差率來評估的。
如今表現(xiàn)良好的模型將來可能會表現(xiàn)不佳。問題不在于該模型是否以某種方式被破壞，而是該模型是根據(jù)不再反映其使用環(huán)境的數(shù)據(jù)進行訓練的。即使沒有突然的重大事件，也會發(fā)生數(shù)據(jù)漂移。重要的是評估模型并在生產(chǎn)中繼續(xù)對其進行監(jiān)視。
Amazon SageMaker、Azure Machine Learning Studio和Google Cloud AutoML等服務(wù)包括一系列模型性能評估工具。
5.領(lǐng)域知識
領(lǐng)域知識并不是一種特定的機器學習技能，但它是成功的機器學習策略中最重要的部分之一。
每個行業(yè)都有一定的知識體系，必須以某種能力進行研究，尤其對于構(gòu)建算法的決策者。機器學習模型受到約束以反映用于訓練它們的數(shù)據(jù)。具有領(lǐng)域知識的IT人員對于知道在哪里應(yīng)用人工智能，并評估其有效性至關(guān)重要。
