为了了解软件开发中机器学习 （ML） 的当前和未来状态，我们从 16 个解决方案提供商的 IT 专业人员那里收集了见解。我们问，”哪些机器学习技术和工具对 SDLC 最有效？以下是我们学到的：
您可能还喜欢：
ML模型开发与传统企业软件开发的基本区别
工具
- MLFlow、虫点、氦气和应用是一些非常强大的工具。我特别喜欢 MLFlow，因为它的易用性和版本控制 ML 模型的能力。
- 我们采用MLFlow作为数据平台+ML数据平台管理系统。实时操作数据库，事务性地用于数据库内 ML，以跟踪数据科学家的工作流程。如果你采用一种实验文化，每天创建50个实验，每个实验运行并产生不同的结果，你需要跟踪每个实验。您需要能够标记参数和指标，以便可以返回并了解为什么一个模型比另一个模型执行得更好。
- 我们正在构建这些工具，作为我们平台的一部分。开源工具，如 SciLearn、Pytorch、TensorFlow，并构建我们自己的工具。
- 许多新的现代测试自动化工具允许您进行自愈测试、自动测试和自动爬网程序来查找 Bug。记录系统以查找安全警报的异常。大部分焦点都集中在维护上。
- 工具简化了开发人员的基础架构和数据工程。随着ML，事情需要爆炸发生。轻松集成到应用程序中。调试更加困难，因为 ML 模式是活动实体，并且随着数据和学习的变化而发生漂移。最大的挑战是代码和应用程序的可调试性。确保您具有模型决策的可追溯性。一段时间内对绩效进行建模评估。
反馈
- 最有效的技术是尽可能清楚地定义手头的任务，并立即提出一个自动评估方法。按照此步骤，您应该针对问题收集和标记一个小型数据集，使用任何方法与该数据集过度配合，并尝试关闭整个生产循环：数据集集合 – 培训 – 评估 – 部署
其他
- ML 正在整个 SDLC 中实现标准化 – 人们正在学习如何使用它，了解事物的发展，并变得更加分散。
- 我们看到更多有关深度学习和特定 ML 方法。
- 这取决于业务案例。需要经典数据科学来理解正确的算法并确保数据管理。您可能需要选择一个几乎一样好但计算成本较低的模型。包含一个可取性函数，以考虑规划和部署的成本。
- 我所看到的技术包括学习技术，如概念学习、决策树、神经网络（和卷积神经网络）、if/then 规则、强化学习、归纳逻辑编程等。
- 以下是主要元素：
- 1）确保从一开始就设定业务需求和期望。这有助于定义项目的 ROI 以及您要解决的问题（例如，提高客户参与度、减少客户流失等）。
- 2） 将业务问题转换为技术问题
以便设置解决方案的范围。您考虑提高客户满意度或获得市场份额的业务问题，并将其转化为数据科学问题：客户转化/客户流失预测、用户细分、产品推荐等，您可以求解使用数据和模型。3）确定实际可用于解决问题的数据。这可能是在 SDLC 中应用 ML 的最大限制因素之一。需要有足够的相关数据来解决问题，并且需要有一个基本级别的规范化。考虑到技术问题，您需要确定哪些实体可以是要插入模型的相关功能。4）设计旋转过程。给定工具包，从最简单的方法开始，看看它如何执行。根据这些结果，您可以了解去哪里以及如何增加复杂性。5） 实验和质量：设计实验，以便您可以测试性能，进行修改，重新评估，然后冲洗和重复。确保选择正确的指标，以便衡量真正重要的指标。
以下是我们从中听到的消息：
- 迪普蒂·博尔卡尔， V.P. 产品，阿卢西奥
- 亚当·卡米，联合创始人兼首席财务官，应用程序
- 奥列格·辛亚夫斯基博士，脑力公司研发主管
- 首席执行官兼联合创始人埃利·芬克尔施泰因Constructor.io
- 森蒂尔·库马尔，福格霍恩软件工程副总裁
- 伊瓦伊洛·巴赫切瓦诺夫，福格洛克数据科学主管
- 约翰·西顿，数据科学总监，功能
- 伊琳娜·法鲁克，动力学首席产品官
- 埃利夫·图图克， AVP 研究， Qlik
- 希瓦尼·戈维尔，EVP 新兴技术和生态系统，圣人
- 帕特里克·哈伯德， 头极客，太阳风
- 蒙特·兹韦本，斯普利机首席执行官
- 扎克·班诺， SPR助理顾问
- 大卫·安德烈耶夫斯基，相扑逻辑工程总监
- 奥伦·鲁宾， 创始人兼首席执行官，丹·罗普， 数据科学总监，迈克尔·奥康奈尔， TIBCO首席分析官