本文講述了從數據科學轉向機器學習工程的途徑及意義。
本文最初發表在 Towards Data Science 博客上，經原作者 Caleb Kaiser 授權，InfoQ 中文站翻譯並分享。
在過去 20 年，機器學習一直圍繞着這樣一個問題展開：我們能不能訓練一個模型去做一些事情？
當然，有些事情可以是任何任務。比如，預測句子中的下一個單詞、識別照片中的面孔、生成某種聲音。我們的目標是想看一看，如果我們能夠做出準確的預測，那麼機器學習是否還有效。
多虧了數據科學家幾十年來的研究工作，我們現在纔有瞭如此多的模型，可以用來做很多事：
- OpenAI 的 GPT-2（以及現在的 GPT-3），可以生成人們能夠閱讀的文本，效果還過得去。
- 像 YOLOv5 這樣的對象檢測模型（官方版本的爭論暫且不提）可以解析每秒 140 幀的視頻中的對象。
- 像 Tacotron 2 這樣的文本到語音模型可以生成聽起來像人類的語音。
數據科學家和機器學習研究人員所做的工作令人難以置信，因此，第二個問題便自然而然地出現了：
我們可以用這些模型來構建什麼？以及我們如何才能做到呢？
這顯然不是一個數據科學的問題，而是一個工程問題。爲了回答這一問題，一門新學科應運而生：機器學習工程。
原文鏈接:【https://www.infoq.cn/article/JywDelJDh1GQpegI5Z6e】。未經作者許可，禁止轉載。