【AI工程与失败AI项目的思考】- 传统机器学习工程非常困难，尤-20240625091606

【AI工程与"失败AI项目"的思考】
- 传统机器学习工程非常困难，尤其是数据准备阶段。成功训练一个模型的人需要监控各种流水线组件。
- 与传统机器学习相比，大语言模型可以跳过数据准备，通过提示单词就可以得到连贯的响应。
- 使用大语言模型可以更快地搭建原型和部署，但期望往往过高。如果不从一开始就做好失败输出的心理准备和持续改进的工作流程，结果往往会令人失望。
- 成功的机器学习产品都有持续改进数据、实验、重新训练和重新部署的过程。这与软件工程的可预测性不同。
- AI工程必须照搬传统机器学习工程中的迭代范例，否则我们作为一个社区注定重复过去在AI实际应用中出现的错误。
- Gartner可能正在观察各种基于生成式AI的产品状况，等待记录下大量没能“上线”的项目。但我希望现实会更乐观一些，反映出AI在实际应用中更成功和广泛的整合。
《Short Musings on AI Engineering and "Failed AI Projects"》 网页链接 #机器学习# #人工智能# #AI工程# #大型语言模型#