详细内容或原文请订阅后点击阅览
自动化陷阱：为什么低估AI模型在缩放
低代码AI平台承诺速度，一个没有单行代码的模型。但是，当您尝试扩展它们时，它们会提供其他东西：无声崩溃，隐性失败以及在压力下cho的模型。后后自动化陷阱：为什么低估AI模型在首先缩放到数据科学上时缩放时失败。
来源:走向数据科学在构建机器学习模型中是一种技能，只有具有Python知识的数据科学家才能掌握。但是，低代码AI平台现在使事情变得容易得多。
机器学习任何人现在都可以直接制作模型，将其链接到数据，并仅单击几下将其作为Web服务发布。营销人员现在可以开发客户细分模型，用户支持团队可以实现聊天机器人，并且产品经理可以自动预测销售的过程而无需编写代码。
即使这样，这种简单性也有缺点。
在比例尺的错误开始
当一家中型电子商务公司引入其第一个机器学习模型时，它采用了最快的路线：低音平台。数据团队迅速使用Microsoft Azure ML设计师建立了产品推荐模型。不需要编码或复杂的设置，并且该模型仅在几天内就启动并运行。
上演时，它做得很好，推荐相关产品并保持用户兴趣。但是，当100,000人使用该应用程序时，它会面临问题。响应时间两倍。建议仅显示两次，或者根本没有出现。最终，系统崩溃了。
问题不是正在使用的模型。这是平台。
Azure ML设计师和AWS Sagemaker帆布旨在快速运行。多亏了它们易于使用的拖放工具，任何人都可以使用机器学习。但是，使它们易于使用的简单性也涵盖了他们的弱点。当简单原型将其投入高流量生产时，这些工具开始失败，这是由于其结构而发生的。
Azure ML设计师简单的错觉
低代码AI工具被提升为不是技术专家的人。他们照顾数据准备的复杂部分，功能创建，训练模型以及使用它。 Azure ML Designer使用户很快就可以导入数据，建立模型管道并将管道部署为Web服务。
可伸缩性