Intentamos usarlos con fines de prueba y, a veces, vemos tanto valor que podríamos considerar la integración. Pero no hemos hecho 1 hasta ahora.
Para nosotros, es un juguete, es interesante, pero el hecho es que sabemos por experiencia cuáles son los mejores marcos para usar. A veces, es interesante saber cómo se comparan otros, por ejemplo, con Data Robot y muchos otros. Pero construir un producto de datos, para un cliente, con un conjunto muy particular de requisitos, es más práctico, desde un punto de vista de integración, hacerlo nosotros mismos.
¿Que estoy diciendo? La integración es solo una de las razones.
- Cómo verificar si el objeto de una imagen existe en otra imagen
- ¿Cuáles fueron los algoritmos utilizados para los chatbots antes de que surgiera el aprendizaje profundo?
- ¿Cuándo se ajusta bien un modelo de mezcla gaussiana?
- He estado aprendiendo la red neuronal de retroalimentación y la propagación hacia atrás durante 3 meses y todavía no puedo entenderlo, ¿qué debo hacer?
- ¿En qué se diferencia LSTM de RNN? En una explicación laica.
Vemos que el “movimiento de productos” del aprendizaje automático crece para responder a la falta de científicos de datos. Entendemos las razones detrás de esto, pero creemos que uno de los puntos para ser un verdadero científico de datos es el conocimiento comercial y la capacidad de comprender a sus clientes, su empresa y sus datos.
Para eso, necesitas experiencia . Cualquier producto que lo aleje de eso solo agrega valor a su empresa. No para el científico de datos.
Pero eso es en el modelado. Por ejemplo, en la minería de datos, ya creemos que hay algunas herramientas interesantes y útiles. Sin embargo, aún verificamos los datos sin editar.
Es importante que la empresa no pierda la oportunidad y el desafío de la experiencia.
Obviamente, si quieres estar haciendo ciencia de datos, sin científicos de datos, este tipo de productos puede ser útil, hasta cierto punto.
El mismo que cualquier persona de CS puede extraer bibliotecas en Python y aplicarlas sin comprender las implicaciones matemáticas que hay detrás.
Entonces puede o no estar construyendo un producto de datos completos, que se puede utilizar en un entorno real, para evaluar el riesgo de los niños en peligro de ser molestados en el próximo colapso financiero global, para enviar un crucero para interceptar un buque sospechoso.
¿Realmente desea regalar parte de la cadena de productos a un conjunto de herramientas que no controla y / o comprende completamente?
Para ser justos y honestos, tenemos que decir que es peligroso, desde muchos puntos de vista, desde negocios hasta seguridad, desde integración hasta control.
Por el momento, creemos que esta es la mejor opción. Al construir productos de datos, especialmente los críticos, tenemos que ser conservadores.
