直击OpML2019大会：AI巨头不断开放，五大趋势值得

智东西 编 | 年年

导语近日，第一届USENIX OpML 2019大会在美国举办，会上揭示了发展的五大趋势

智东西7月2日消息，近日，第一届USENIX OpML 2019大会在加利福尼亚州圣克拉拉市举办，来自世界各地的专家学者相聚一堂，共同探讨金融、保险、医疗保舰安全、网络、制造业等行业中的的问题、实践、新工具和前沿研究。

会上有许多精彩的演示、论文和项目，其中有几个新兴的趋势十分值得关注。随着越来越多的组织将推向生产并使用来指导实践，预计这些趋势将在未来几年内变得越来越显著。

福布斯撰稿人Nisha Talagala作为USENIX OpML 2019大会的联合主席，通过一整天的观察与分析，出当前发展的五大趋势，并强调了的商业回报在五大趋势的影响下会逐渐显现。

一、需要快速迭代

许多从业者强调了迭代和持续改进对发展的重要性。与软件非常相似，想要得到改善就需要持续迭代和定期更新。那些大规模应用的企业建议一个新项目最好从没有或只有简单基础上开始。正如一位从业者所说的那样，你不会想花一年时间投资一个复杂的深度学习解决方案，因为在部署投资深度学习之后你就会发现一个更简单的非深度学习方法可以胜过它！

快速迭代还需要优化基础架构以支持它的部署。这就意味着成功的基础架构需要包括自动部署、模块化、微服务的使用，以及避免在早期进行过多的细粒度优化。

二、不同于软件问题，问题有自己的特殊性

OpML大会上的展示为我们展示了一个有意思现象，那就是的错误不仅能绕过常规检查，还似乎是一种更好的生产方式。例如一个模型即便是在常规检查中失败了并产生了错误的结果，其最终也有可能会提高性能。

在生产中检测错误需要专门的技术，如模型性能预测器，与非基线的比较，可视调试工具和操作基础设施的度量驱动设计。Facebook、Uber和其他经验丰富的大规模组织强调了特定生产测量的重要性，这些测量从健康检查到特定（如GPU）资源利用率。

三、有丰富的开源生态系统

拥有用于模型开发的丰富的生态系统（TensorFlo、ScikitLearn、Spark、Pytorch、R等）。OpML大会向我们展示了开源生态系统如何快速发展并如何成为大型和小型公司都使用的强大的公开工具。例子很多，包括用于治理和促进合规性的Apache Atlas，用于Kuberes的操作Kubeflo，用于生命周期管理的MLFlo和用于监控的Tensorflo。

传统企业供应商开始集成这些开源软件包，为其客户提供完整的解决方案。一个显著的例子是思科对Kubeflo的支持。，具有一定规模的网络公司正在开源其核心基础设施，以驱动他们的研究，例如来自领英的谱曲工具TonY。

随着这些工具越来越多，从业者也在记录者端到端的应用案例并创建可能被应用的更好的设计样式。

四、基于云的服务和软件使生产更加简单

对于尝试在生产中部署的团队来说，即使在流程的每个阶段都有可用的开源工具，这个过程也是困难重重的。云则提供了另一种选择。由于资源管理（例如机器配置、自动缩放、弹性拓展等）由云后端处理，云部署可以更简单。当使用加速器（GPU、TPU等）时，管理生产资源变得不太容易，而云服务就是一种通过利用云厂商的资源来优化加速器使用的方法。

云部署还为IT公司提供了一个解决方法，以便在没有大型内部基础架构的情况下尝试部署。即便是内部已经部署的企业也开始转向提供类似于云服务的自助模型，这样就能够满足组织内多个团队和部门的需求。

五、技术影响力企业基于网络部署大规模

大型企业如Linkin、Facebook、Google等是第一批的实践者，它们必须从头开始构建所需要的所有基础设施，以便从中获得经济收益。这些企业现在不仅开放他们的代码，还分享他们来之不易的实践经验和学习成果，所有的这些对于一般企业来说都能够从中获益。

正如OpML会上的专家所指出的一样，这些企业已经在领域进行了深入研究并得出了有益的结果，其他企业能够从这些企业的经验和经历中得到启发。微软和其他一些企业的部署经验可以向其他企业展示如何将高性能的嵌入到他们的商业应用之中。

其他来自于大企业的端到端解决经验已经向我们展示了如何将商业目标转换成深度学习解决方案并从中获益。，面临边缘部署问题的企业可以从规模部署学习中受益。

创造商业价值

Michael Jordan（美国科学家，加州大学伯克利分校教授）曾发表过一篇伟大的专栏文章“人工智能革命尚未发生”，强调了人工智能实践的必要性。

OpML 2019则向我们展示了和人工智能是如何在企业对进行操作和拓展、运营和实践中走向成熟的。这对人工智能行业来说是一个好消息，因为它真正从人工智能投资中获得回报。 上述五个趋势应该有助于实现人们期待已久的人工智能产业的商业价值。

文章来源Forbes