人工智能探索方向

人工智能和机器学习是一个热门话题，越来越多的人们正在进入这个领域，这一领域潜力巨大，处于发展的早期阶段。格物斯坦小坦克相信在接下来的几十年里，我们将会不断听到人工智能领域取得的突破。

传统上，这本是一个专门保留给学者的领域，他们拥有开发复杂机器学习模型的数学技能，但却缺乏将这些模型产品化所需的软件工程技能。另一方面，在过去几年中，出现了专注于简化机器学习开发的托管服务和其他框架，允许没有科学博士学位的软件开发人员创建机器学习模型。但是，与拥有专门的数据科学家团队相比，模型的定制水平和性能水平往往要低一些。

如果需要尖端的人工智能、高级机器学习调优以及完全控制模型（你是一家人工智能公司），那么你可能希望拥有一支专业的科学团队。控制模型和创新空间，大多数竞争者使用的是云提供商的标准工具。然而，这会在工程团队和科学团队之间形成孤岛，使得管理起来相当困难。我们将在后面讨论解决这一问题的不同方法（模型即数据）。一个重要的考虑因素是你打算如何为模型提供服务。最简单的选择是在线 RPC 风格的代码。在这种情况下，将模型作为服务（通常是 HTTP 微服务）运行，你向其发送请求并获得响应。在这种情况下， 托管解决方案极大地简化了模型的部署和监控。

另一个可能也是最常见的用例是使用机器学习模型丰富数据管道。例如，向非结构化数据添加“结构”。这可以用批量或实时来完成。对于流，我们将审查不同的选项，这将是我们的主要关注点，因为流处理更加复杂、更加有趣。特别是如果你需要为模型维护一个特定状态，那么就需要使用有状态流。

一种较新的方法是标准化模型格式，以便可以使用任何编程语言以编程方式使用它，这样就不必将其封装在微服务中。这对于延迟和错误管理是个问题的数据处理流特别有用。因为我们是直接调用模型，所以我们不用担心监控、错误处理等问题。