AI、ML和數據工程 | InfoQ趨勢報告（2021年）

{"type":"doc","content":[{"type":"heading","attrs":{"align":null,"level":3},"content":[{"type":"text","text":"本文要點"}]},{"type":"bulletedlist","content":[{"type":"listitem","attrs":{"listStyle":null},"content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們看到越來越多的公司正在使用深度學習算法。因此，我們將深度學習從創新者轉移到了早期採用者的類別中。與此相關的是，深度學習也面臨着新的挑戰，比如在邊緣設備上部署算法以及非常大的模型的訓練。"}]}]},{"type":"listitem","attrs":{"listStyle":null},"content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"儘管採用的速度比較緩慢，但是現在有了更多的商用機器人平臺。我們看到了在學術界之外的一些應用，但是相信未來會有更多未被發現的使用場景。"}]}]},{"type":"listitem","attrs":{"listStyle":null},"content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"GPU編程依然是一個很有前途的技術，但現在還沒有得到充分的利用。除了深度學習之外，我們相信還有更多有趣的應用。"}]}]},{"type":"listitem","attrs":{"listStyle":null},"content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"通過使用像Kubernetes這樣的技術，在典型的計算機堆棧上部署機器學習正變得越來越容易。我們看到不斷出現的工具正在將越來多的組成部分實現了自動化，比如數據收集和重訓練步驟。"}]}]},{"type":"listitem","attrs":{"listStyle":null},"content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"AutoML是一項很有前景的技術，它能夠幫助數據科學家重新關注實際的問題域，而不是關注如何優化超參數。"}]}]}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"image","attrs":{"src":"https:\/\/imgopt.infoq.com\/fit-in\/625x1000\/filters:quality(80)\/filters:no_upscale()\/articles\/ai-ml-data-engineering-trends-2021\/en\/resources\/2ML-2021-1628268334500.jpg","alt":"","title":null,"style":[{"key":"width","value":"75%"},{"key":"bordertype","value":"none"}],"href":null,"fromPaste":true,"pastePass":true}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"InfoQ的編輯每年都會討論AI、ML和數據工程當前的狀態，從而識別出作爲軟件工程師、架構師或數據科學家應該關注的關鍵趨勢。我們將自己的討論整理成技術採用曲線並附加相關的評論，以幫助讀者瞭解事情的演變情況。我們還探討了作爲路線圖和技能發展的一部分，你應該要考慮哪些東西。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們還首次將這些討論錄製成了"},{"type":"link","attrs":{"href":"https:\/\/www.infoq.com\/podcasts\/ai-ml-data-engineering-trends-2021\/ML.html","title":null,"type":null},"content":[{"type":"text","text":"InfoQ Podcast上的特別節目"}]},{"type":"text","text":"。"},{"type":"link","attrs":{"href":"https:\/\/knmcguire.github.io\/","title":null,"type":null},"content":[{"type":"text","text":"Kimberly McGuire"}]},{"type":"text","text":"是Bitcraze的機器人工程師，每天的工作都在與自主無人機打交道，他加入了編輯部來分享他的經驗和觀點。"}]},{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"深度學習轉移到了早期採用者中"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"儘管深度學習在2016年纔開始引起我們的興趣，但是我們現在決定將它從創新者（Innovator）類別轉移至早期採用者（Early Adopter）。我們看到深度學習方面有兩個主要的框架，分別是"},{"type":"link","attrs":{"href":"https:\/\/www.tensorflow.org\/","title":null,"type":null},"content":[{"type":"text","text":"TensorFlow"}]},{"type":"text","text":"和"},{"type":"link","attrs":{"href":"https:\/\/pytorch.org\/","title":null,"type":null},"content":[{"type":"text","text":"Pytorch"}]},{"type":"text","text":"。兩者在整個行業中都有廣泛應用。我們應該承認，PyTorch是學術研究領域的主導者，而TensorFlow是商業\/企業領域的領導者。這兩個框架在功能方面保持了相當的均衡，所以具體選擇哪個框架取決於你在生產性能方面的要求。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們注意到，越來越多的開發者和組織在收集和存儲他們的數據時，都遵循這樣的方式，那就是易於被深度學習算法處理，以便於“學習”與商業目標有關的東西。很多人專門爲深度學習設置了他們的機器學習項目。TensorFlow和PyTorch正在爲多種類型的數據建立抽象層，並將大量的公共數據集也納入到了他們的軟件中。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們還看到，用於深度學習的數據集的規模正在大幅度增加。我們看到，下一個挑戰是藉助分佈式數據和並行訓練實現的分佈式訓練。這種框架的例子有 "},{"type":"link","attrs":{"href":"https:\/\/github.com\/facebookresearch\/fairscale","title":null,"type":null},"content":[{"type":"text","text":"FairScale"}]},{"type":"text","text":"、"},{"type":"link","attrs":{"href":"https:\/\/github.com\/microsoft\/DeepSpeed","title":null,"type":null},"content":[{"type":"text","text":"DeepSpeed"}]},{"type":"text","text":"和"},{"type":"link","attrs":{"href":"https:\/\/github.com\/horovod\/horovod","title":null,"type":null},"content":[{"type":"text","text":"Horovod"}]},{"type":"text","text":"。這就是爲什麼我們將“大規模分佈式深度學習”引入創新者類別的主題列表中的原因。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們現在在行業中看到的另一個挑戰是與訓練數據本身相關。一些公司沒有大的數據集，這意味着他們能夠從使用其特定領域的預訓練模型中獲益良多。由於創建數據集可能是一項成本高昂的工作，爲模型選擇合適的數據是一個新的挑戰，工程團隊必須學會如何解決這一點。"}]},{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"深度學習應用的邊緣部署是一項挑戰"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"目前，在邊緣設備上運行AI依然存在挑戰，比如手機、Raspberry Pi，甚至更小的微處理器。這裏的挑戰在於把大型集羣上訓練得到的模型部署到一個小型的硬件上。要實現這一點所要依賴的技術是網絡權重的量化（爲網絡權重使用更少的比特）、網絡修剪（移除貢獻不大的權重）以及網絡提煉（訓練一個更小的神經網絡來預測相同的內容）。例如，這可以通過谷歌的TensorFlow light和NVIDIA的TensorRT來實現。當我們縮小模型的時候，有時候確實會看到性能的下降，但是性能下降多少以及這是否是一個問題，則要取決於應用。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"有趣的是，我們看到有些公司正在調整他們的硬件以更好地支持神經網絡。在蘋果設備以及擁有張量核心（tensor core）的NVIDIA顯卡中，我們都看到了這一點。谷歌新的Pixel手機也有一個張量芯片，可以在本地運行神經網絡。我們認爲這是一個積極的趨勢，它將使機器學習能夠用到比現在更多的環境中。"}]},{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"用於有限應用的商業機器人平臺變得越來越流行"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"在家庭中，機器人吸塵器已經非常普遍。一個新的機器人平臺正變得越來越流行，它就是"},{"type":"link","attrs":{"href":"https:\/\/www.bostondynamics.com\/spot","title":null,"type":null},"content":[{"type":"text","text":"Spot"}]},{"type":"text","text":"：Boston Dynamics的行走機器人。它正被警察局和軍隊用於日常監視這樣的場景中。儘管這類機器人平臺很成功，但它們仍然只能在有限的範圍內使用，而且是在非常有限的場景下。然而，隨着人工智能能力的提高，我們希望在未來看到更多的使用案例。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"一種正在走向成功的機器人是自動駕駛汽車。Waymo和其他公司正在測試內部沒有安全駕駛員的汽車，這意味着這些公司對這些車輛的能力充滿信心。我們認爲，大規模部署所面臨的挑戰在於擴大這些車輛的可行駛區域，並在上路前證明這些汽車是安全的。"}]},{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"GPU和CUDA編程允許將問題進行並行化處理"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"GPU編程方式允許程序執行大規模的並行任務。如果程序員的目標可以通過將一個任務分割成許多互不依賴的小子任務來實現的話，那麼這個程序就適合用GPU進行編程。不幸的是，用NVIDIA公司的GPU編程語言"},{"type":"link","attrs":{"href":"https:\/\/developer.nvidia.com\/cuda-zone","title":null,"type":null},"content":[{"type":"text","text":"CUDA"}]},{"type":"text","text":"進行編程，對許多開發人員來說仍然是很困難的。有一些框架可以爲我們提供幫助，如"},{"type":"link","attrs":{"href":"https:\/\/pytorch.org\/","title":null,"type":null},"content":[{"type":"text","text":"PyTorch"}]},{"type":"text","text":"、"},{"type":"link","attrs":{"href":"http:\/\/numba.pydata.org\/","title":null,"type":null},"content":[{"type":"text","text":"Numba"}]},{"type":"text","text":"和"},{"type":"link","attrs":{"href":"https:\/\/documen.tician.de\/pycuda\/","title":null,"type":null},"content":[{"type":"text","text":"PyCUDA"}]},{"type":"text","text":"，它們應該會使這種編程方式更容易進入通用市場。現在，大多數開發人員正在使用GPU實現深度學習應用，但我們希望在未來能夠看到更多的應用。"}]},{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"半監督自然語言處理在基準測試中表現良好"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"GPT-3和其他類似的語言模型在“通用自然語言API”方面的表現很突出。它們可以處理各種各樣的輸入，並且正在打破許多現有的基準。我們看到，以半監督（semi-supervised）的方式使用的數據越多，最終結果就越好。它們不僅在正常的基準上表現良好，而且同時對許多基準進行了歸納概括。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"關於這些神經網絡的架構，我們看到人們從LSTM這樣的遞歸神經網絡轉向了transformer架構。訓練的模型是非常巨大的，要使用大量的數據，並花費大量的錢來進行訓練。針對產生這些模型所耗費的資金和能量，引發了一些相關的批評。大模型的另一個問題是推理速度。當爲這些算法實現實時應用時，它們可能不夠快。"}]},{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"MLOps和Data ops能夠更容易地實現訓練和重新訓練算法"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們看到，所有主要的雲供應商都支持通用的容器編排框架，如"},{"type":"link","attrs":{"href":"https:\/\/kubernetes.io\/","title":null,"type":null},"content":[{"type":"text","text":"Kubernetes"}]},{"type":"text","text":"，它們也越來越多地集成了對基於ML的使用場景的良好支持。這意味着我們可以在雲平臺上輕鬆地將數據庫部署爲容器，並將其進行擴展和伸縮。這樣做的一個好處是，它有內置的監控。值得注意的一個工具是"},{"type":"link","attrs":{"href":"https:\/\/www.kubeflow.org\/","title":null,"type":null},"content":[{"type":"text","text":"KubeFlow"}]},{"type":"text","text":"，它可以在Kubernetes上協調複雜的工作流程。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"關於在邊緣上部署算法，我們看到了工具上的改進。比如"},{"type":"link","attrs":{"href":"https:\/\/k3s.io\/","title":null,"type":null},"content":[{"type":"text","text":"K3s"}]},{"type":"text","text":"，這是適用於邊緣的Kubernetes，還有"},{"type":"link","attrs":{"href":"https:\/\/kubeedge.io\/en\/","title":null,"type":null},"content":[{"type":"text","text":"KubeEdge"}]},{"type":"text","text":"，它與K3s有所不同。雖然這兩種產品都還處於初始階段，但它們有望改善基於容器的人工智能在邊緣的部署。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們還看到一些支持完整的ML Ops生命週期的產品正在出現。其中一個這樣的工具是"},{"type":"link","attrs":{"href":"https:\/\/aws.amazon.com\/sagemaker\/","title":null,"type":null},"content":[{"type":"text","text":"AWS Sage maker"}]},{"type":"text","text":"，它可以幫助我們輕鬆地訓練模型。我們相信，最終ML將被集成到完整的DevOps生命週期中。這將創造一個反饋循環，我們部署一個應用程序，監控應用程序，並根據正在發生的情況在重新部署之前回過頭去做一些改變。"}]},{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"AutoML允許將ML生命週期的一部分自動化"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們看到使用所謂的“AutoML”的人稍微有所增加：在這種技術中，機器學習生命週期的一部分會被自動化。程序員可以專注於獲得正確的數據和模型的大致概念，而計算機可以找出最佳的超參數（hyperparameter）。現在，這主要用於尋找神經網絡的架構，以及尋找最佳的超參數來訓練模型。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們認爲這是一個很好的進步，因爲它意味着，在將業務邏輯轉化爲機器學習可以解決的格式方面，機器學習工程師和數據科學家將發揮更大的作用。我們認爲這種努力使得跟蹤自己正在進行的實驗變得更加重要。像"},{"type":"link","attrs":{"href":"https:\/\/mlflow.org\/","title":null,"type":null},"content":[{"type":"text","text":"MLflow"}]},{"type":"text","text":"這樣的技術可以幫助跟蹤實驗。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"總而言之，我們認爲問題空間正在從“尋找最好的模型來捕獲你的數據”轉向“尋找最好的數據來訓練你的模型”。你的數據必須是高質量的，你的數據集必須是平衡的，而且它必須包含應用的所有可能的邊緣場景。要做到這一點目前主要是手工實現的，並且需要對問題領域有很好的理解。"}]},{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"成爲機器學習工程師都要學些什麼"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"我們認爲，過去幾年中，機器學習在教育方面也發生了變化。從經典文獻入手可能不再是最好的方法了，因爲過去幾年有太多的進步了。我們建議挑選一個深度學習框架入門，如TensorFlow或PyTorch。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"挑選一個專注的學科是個好主意。在InfoQ，我們將學科劃分爲以下幾類：數據科學家、數據工程師、數據分析師或數據運維。根據你所選的專業，你要學習更多關於編程、統計或神經網絡和其他算法的知識。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"作爲InfoQ的編輯，我們想分享的一點是，建議參加"},{"type":"link","attrs":{"href":"https:\/\/www.kaggle.com\/","title":null,"type":null},"content":[{"type":"text","text":"Kaggle比賽"}]},{"type":"text","text":"。你可以在你想了解的領域中挑選一個問題，比如圖像識別或語義分割。通過創建一個好的算法並在Kaggle上提交結果，你會看到你的解決方案與參加同一比賽的其他Kaggle用戶相比處於什麼樣的水準。這樣你會有動力在Kaggle排行榜上獲得更高的排名，通常比賽的獲勝者會在比賽結束後寫下他們的獲勝方法都採用了哪些步驟。這樣，你就會不斷地學到更多的技巧，從而可以直接應用到你的問題領域。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"最後但同樣重要的是，InfoQ也有很多資源。我們經常發佈關於"},{"type":"link","attrs":{"href":"https:\/\/www.infoq.com\/ai-ml-data-eng\/ML.html","title":null,"type":null},"content":[{"type":"text","text":"機器學習"}]},{"type":"text","text":"的最新和最重要的新聞、文章、演講和播客。你也可以看看我們的文章"},{"type":"link","attrs":{"href":"https:\/\/www.infoq.com\/articles\/get-hired-machine-learning-engineer\/","title":null,"type":null},"content":[{"type":"text","text":"如何成功應聘爲機器學習工程師"}]},{"type":"text","text":"。最後，請參加11月舉辦的"},{"type":"link","attrs":{"href":"https:\/\/plus.qconferences.com\/","title":null,"type":null},"content":[{"type":"text","text":"QCon plus會議"}]},{"type":"text","text":"，並參加“ML無處不在”的主題。"}]},{"type":"heading","attrs":{"align":null,"level":5},"content":[{"type":"text","text":"作者簡介："}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","marks":[{"type":"strong"}],"text":"Roland Meertens"},{"type":"text","text":"是一名計算機視覺工程師，在Autonomous Intelligent Driving公司從事自動駕駛車輛的智能計算機視覺算法。在此之前，曾研究過自然語言處理（NLP）問題的深度學習方法、社會機器人學以及無人機的計算機視覺、機器學習和計算機視覺問題。他所做的有趣的事情是神經機器翻譯、小型無人機的避障，以及爲老年人服務的社交機器人。除了在InfoQ上發佈關於機器學習的新聞，他有時也會在他的博客pinchofintelligence.com和twitter（"},{"type":"link","attrs":{"href":"https:\/\/twitter.com\/rolandmeertens","title":null,"type":null},"content":[{"type":"text","text":"https:\/\/twitter.com\/rolandmeertens"}]},{"type":"text","text":"）上發表文章。在業餘時間，他喜歡在樹林裏跑步，並參加障礙跑。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","marks":[{"type":"strong"}],"text":"Kimberly McGuire"},{"type":"text","text":"目前在Bitcraze AB公司工作，擔任軟件開發人員。2019年，她獲得了荷蘭代爾夫特理工大學航空航天工程學院的博士學位。主題是關於“用袖珍無人機進行蜂羣探索”。McGuire研究了在計算能力有限的MAV上完成室內探索的生物啓發方式，這些MAV可以放在手掌上。除此之外，她對具身人工智能（embodied artificial intelligence）有廣泛的興趣，並努力跟上最新的發展。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","marks":[{"type":"strong"}],"text":"Srini Penchikala"},{"type":"text","text":"是德克薩斯州奧斯汀的一名高級IT架構師。他在軟件架構、設計和開發方面有超過25年的經驗，目前專注於雲原生架構、微服務和服務網格、雲數據管道和持續交付。Penchikala撰寫了"},{"type":"link","attrs":{"href":"https:\/\/www.infoq.com\/minibooks\/apache-spark\/","title":null,"type":null},"content":[{"type":"text","text":"Big-Data Processing with Apache Spark"}],"marks":[{"type":"italic"}]},{"type":"text","text":"，並與人合寫了Manning出版的“"},{"type":"link","attrs":{"href":"http:\/\/www.manning.com\/SpringRooinAction","title":null,"type":null},"content":[{"type":"text","text":"Spring Roo in Action"}],"marks":[{"type":"italic"}]},{"type":"text","text":"”。他經常在會議上發言，是一名大數據培訓師，並在各種技術網站上發表了多篇文章。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","marks":[{"type":"strong"}],"text":"Raghavan \"Rags\" Srinivas"},{"type":"text","text":" (@ragss) 是一名架構師\/開發人員佈道者，旨在幫助開發人員建立高度可擴展和可用的系統。作爲Rackspace公司的OpenStack倡導者和解決方案架構師，他不斷面臨從低級別的基礎設施到高級別的應用問題的挑戰。他主要關注的領域是分佈式系統，專門研究雲計算和大數據。在Hadoop、HBase和NoSQL的早期階段，他都從事過相關的工作。他曾經多次獲得JavaOne rock star稱號。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","marks":[{"type":"strong"}],"text":"Anthony Alford"},{"type":"text","text":"是Genesys的開發組經理，他正在從事與客戶體驗有關的幾個人工智能和ML項目。在設計和構建可擴展軟件方面，他有超過20年的經驗。Anthony擁有電子工程博士學位，專業是智能機器人軟件，曾在人與人工智能交互和SaaS業務優化的預測分析領域研究過各種問題。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","marks":[{"type":"strong"}],"text":"查看英文原文："}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"link","attrs":{"href":"https:\/\/www.infoq.com\/articles\/ai-ml-data-engineering-trends-2021\/","title":null,"type":null},"content":[{"type":"text","text":"Article: AI, ML and Data Engineering InfoQ Trends Report - August 2021"}]}]}]}