機器學習和AI繼續深入IT服務中，并補充軟件工程師開發的應用程序。如果IT團隊想跟上這種步伐，必須提高他們的機器學習技能。

云計算服務支持構建和部署AI及機器學習應用程序的各種功能。在很多方面，AI系統的管理與IT專業人員在云端熟悉的其他軟件非常相似。但是，僅僅因為某人可以部署應用程序，并不一定意味著他們可以成功部署機器學習模型。

[[349722]]

盡管這些共性可能會加快過渡，但仍存在重大差異。除了軟件工程技能外，你的IT團隊成員還需要特定的機器學習和AI知識。除技術專長外，他們還需要了解當前可用于支持其團隊計劃的云計算工具。

下面讓我們探索IT專業人員在云端成功利用AI所需的5個機器學習技能，并了解Amazon、微軟和谷歌為支持這些技能所提供的產品。在這些技能集中，雖然存在一些重疊，但不要期望一個人具備所有技能。通過組建具有這些技能的人員的團隊，可使你的企業處于最佳位置，以利用基于云的機器學習。

1. 數據工程

如果IT專業人員想在云端實現任何類型的AI策略，都需要了解數據工程。數據工程包含一系列技能，這涉及數據整理和工作流開發領域，以及軟件架構知識。

IT專業知識的這些不同領域可以分解為IT專業人員應完成的不同任務。例如，數據整理通常涉及數據源標識、數據提取、數據質量評估、數據集成以及在生產環境中執行這些操作的管道開發。

數據工程師應該習慣使用關系數據庫、NoSQL數據庫和對象存儲系統。Python是一種流行的編程語言，可結合批處理和流處理平臺(例如Apache Beam)以及分布式計算平臺(例如Apache Spark)使用。即使你不是專業的Python程序員，只要具備一定的語言知識，你都可以從針對數據工程和機器學習的各種開源工具中提高技能。

數據工程在所有主要云端都得到很好的支持。AWS提供全面的服務來支持數據工程，例如AWS Glue、Amazon Managed Streaming for Apache Kafka(MSK)和各種Amazon Kinesis服務。AWS Glue是數據目錄以及提取、轉換和加載(ETL)服務，其中包括對計劃作業的支持。MSK是數據工程管道的有用構建塊，而Kinesis服務對于部署可擴展流處理管道特別有用。

Google Cloud Platform則提供Cloud Dataflow，這是一項托管的Apache Beam服務，支持批處理和Steam處理。對于ETL流程，Google Cloud Data Fusion提供基于Hadoop的數據集成服務。Microsoft Azure還提供多種托管數據工具，例如Azure Cosmos DB、Data Catalog和Data Lake Analytics等。

2. 模型構建

機器學習是發展良好的學科，你可以通過研究和開發機器學習算法來發展自己的職業。

IT團隊使用工程師提供的數據來構建模型，并創建軟件以提出建議、預測價值和對條目進行分類。重要的是要了解機器學習技術的基礎知識，即使很多模型構建過程都是在云端自動完成。

作為模型構建者，你需要了解數據和業務目標。你需要構想解決方案來解決問題，并了解如何將其與現有系統集成。

現在市場上提供現成的產品，例如谷歌的Cloud AutoML，這套服務可以幫助你使用結構化數據以及圖像、視頻和自然語言來構建自定義模型，而無需對機器學習有太多的了解。而Azure在Visual Studio中提供ML.NET模型構建器，該模型構建器提供界面用于構建、訓練和部署模型。

Amazon SageMaker是另一項托管服務，用于在云端構建和部署機器學習模型。 這些工具可以選擇算法，確定數據中哪些特征或屬性最有價值，并使用稱為超參數調整的過程優化模型。這些服務擴展了機器學習和AI策略的潛在用途。正如你不需要成為機械工程師就能駕駛汽車一樣，你也不需要機器學習的研究生學位即可建立有效的模型。

3. 公平與偏差檢測

算法做出的決策將直接且顯著影響個人。例如，金融服務利用AI做出有關信貸的決策，這可能會無意中偏向特定人群。這不僅可能因拒絕信貸來傷害個人，而且還使金融機構面臨違反《平等信貸機會法》等法規的風險。

這些看似艱巨的任務對于AI和機器學習模型是不可避免的事情。檢測模型中的偏差可能需要精通的統計和機器學習技能，但與模型構建一樣，某些繁重的工作可以由機器完成。

FairML是用于審核預測模型的開源工具，可幫助開發人員識別工作中的偏見。檢測模型偏差的經驗還可以幫助告知數據工程和模型構建過程。Google Cloud的公平性工具在市場上領先，其中包括What-If Tool、Fairness Indicators和Explainable AI服務。

4. 模型性能評估

模型構建過程的一部分是評估機器學習模型的性能。例如，分類分析是根據準確性、精確度和召回率進行評估。而回歸模型(例如預測房屋出售價格的模型)通過測量其平均錯誤率進行評估。

現在表現良好的模型將來可能會表現不佳。這里問題不是，該模型會以某種方式被破壞，而是訓練該模型數據會過時，而無法再反映未來世界的情況。即使沒有突然的重大事件，也會發生數據漂移。重要的是評估模型并在生產中繼續對其進行監視。

Amazon SageMaker、Azure Machine Learning Studio和Google Cloud AutoML等服務都包含模型性能評估工具。

5. 領域知識

領域知識并不是專門的機器學習技能，而是成功機器學習策略中最重要的部分之一。

每個行業都有自己的知識體系，因此需要對相關行業進行研究，尤其是在構建算法決策工具時。機器學習模型受限于用于訓練它們的數據。而具有領域知識的人可以知道在哪里應用AI并評估其有效性。