導(dǎo)讀

當你在現(xiàn)實世界中工作時，有幾個事實是你必須面對的，這也是本文的主要內(nèi)容。

上個月，我在一個親密的朋友聚會上做了一個非正式的演講，我把這個題目記下來。這篇文章主要是寫給那些使用機器學習來構(gòu)造東西的人，而不是那些研究機器學習的人，盡管后一組人會很好地傾聽這些真理并反省他們的工作。

0. 你不是一個科學家

是的，雖然你們的 title 是“科學家”，包括你們所有擁有博士學位的人，以及涉足這個行業(yè)的學者。但是，機器學習(以及其他人工智能應(yīng)用領(lǐng)域，如 NLP、視覺、語音……)是一門工程研究學科(與科學研究相對)。

你會問，科學研究和工程研究有什么區(qū)別？George A. Hazelrigg 在他的“HONING YOUR PROPOSAL WRITING SKILLS”中寫道：

一些科學家會學習如何制定研究計劃。很少有工程師是博士級別的工程師。讓我們先試著理解科學研究和工程研究之間的區(qū)別。對我來說，區(qū)別很明顯。科學家力圖了解大自然的本質(zhì)，以了解其根本的本質(zhì)。為了做到這一點，科學家通常剝離無關(guān)的影響，深入到一個非常狹窄的自然元素。這就是我們所說的自然法則：能量和質(zhì)量是一樣的，每一個作用力都有一個大小相等、方向相反的反作用力，依此類推。有許多自然法則，它們隨時隨地都適用。工程師遵循自然法則。他們別無選擇。他們的目標是設(shè)計出在自然允許的范圍內(nèi)工作的東西。要做到這一點，他們必須能夠預(yù)測系統(tǒng)的行為。所以工程師們面臨的一個大問題是，我們?nèi)绾卫斫夂皖A(yù)測一個系統(tǒng)的行為，在這個系統(tǒng)中，所有的自然法則在任何時候都適用于任何地方。這是一個整合的問題，它就像找到一開始的規(guī)律一樣困難。每時每刻把所有的自然規(guī)律都考慮進去是不可能的。因此，工程師必須找到方法來確定哪些定律是重要的，哪些可以忽略，以及如何近似那些在時間和空間上都很重要的定律。工程師不僅僅是預(yù)測未來。他們做出的決定部分是基于他們的預(yù)測，因為他們知道自己的預(yù)測不可能既準確又確定。理解和應(yīng)用數(shù)學也很重要。這包括概率論、決策理論、博弈論、最優(yōu)化、控制理論和其他數(shù)學在工程決策環(huán)境中的應(yīng)用。這也是一個合理的工程研究領(lǐng)域。

作為 ML 的研究人員和實踐者，你必須考慮你擁有的數(shù)據(jù)的正確模型，而不是你擁有的模型的正確數(shù)據(jù)集(就像許多研究論文一樣)。如果你曾經(jīng)問過“這個模型的正確數(shù)據(jù)集是什么”，那么你并不是在現(xiàn)實世界中。到底什么是真實的世界？在現(xiàn)實世界中，你對要處理的數(shù)據(jù)是沒有選擇的。在這里，數(shù)據(jù)定義了問題，而不是相反。有時，在現(xiàn)實世界中，ML 實踐者創(chuàng)建了一個自己的世界作為他們的建模游樂場，從而假裝他們是“科學家”，例如“發(fā)明”一種用于做 NLP 的語言，或者通過簡化假設(shè)來創(chuàng)建封閉的環(huán)境來強化學習。這些研究得出了有趣的結(jié)果，但它們的范圍僅限于它們所來自的世界，即使研究人員喜歡在論文中把它們當作適用于現(xiàn)實世界的東西來兜售。在現(xiàn)實世界中，輸入的分布更有可能發(fā)生變化，長尾的“curve balls”不知從何而來，你并不總是有答案。

當你在現(xiàn)實世界中工作時，有幾個事實是你必須面對的，這也是本文的主要內(nèi)容。但這個開場白是必不可少的。如果你在現(xiàn)實世界中做 ML 研究，你是工程師而不是科學家。

1. 需要可以工作

雖然這聽起來很簡單，但我很驚訝有多少人，不管是新手還是有經(jīng)驗的人，都被一些聽起來很花哨的名字吸引住了，或者因為一些東西來自 DeepMind、OpenAI、斯坦福大學、麻省理工學院等等。如果你的模型確實只能夠在它們的環(huán)境和資源約束下處理他們的數(shù)據(jù)集和，那么現(xiàn)實世界將無情地拒絕它。arXiv 上的許多結(jié)果只能在少數(shù)數(shù)據(jù)集上工作，或者只能在只有谷歌基礎(chǔ)設(shè)施支持的百兆級 gpu 上工作。幫社區(qū)一個忙，不要再發(fā)布那些一般性的結(jié)果了。它必須能工作。這也是為什么我們今天不考慮在沒有卷積神經(jīng)網(wǎng)絡(luò)的計算機視覺中做任何事情，或者為什么我們很容易在序列模型中使用注意力的原因。它必須要能工作。

推測：這么多人，特別是 ML 的新手，被花哨的模型名稱沖昏了頭腦，迫不及待地想要嘗試它們，或者寫關(guān)于它們的博客帖子，等等。我覺得這就像一個初學寫作的人。他們認為使用華麗的詞語會使他們的寫作更好，但經(jīng)驗會告訴他們其他的。

2. 無論你如何努力，無論你的優(yōu)先級是什么，你都不能提高光速

緩存層次結(jié)構(gòu)已經(jīng)是固定的，你必須在這個前提下工作，網(wǎng)絡(luò)開銷會讓分布式訓練變慢，在向量中只能塞入那么多內(nèi)容，等等。

3. 只要有足夠的推力，豬就能飛得很高，然而，這并不一定是一個好主意

一個研究生或大型的超參數(shù)掃描器可以在一個巨大的數(shù)據(jù)中心中可以找到一組超參數(shù)，可以讓非常復(fù)雜的模型工作得很好，甚至產(chǎn)生優(yōu)秀的結(jié)果。但沒有人在現(xiàn)實世界中調(diào)試那么大的模型。我在幫助公司管理他們的 ML 團隊時發(fā)現(xiàn)了一個秘密 — 大多數(shù)人不知道/不關(guān)心超參數(shù)調(diào)優(yōu)。

4. 生活中的一些事情，除非親身經(jīng)歷過，否則永遠不會被完全欣賞或理解

對于既不構(gòu)建生產(chǎn) ML 模型也不維護它們的人來說，機器學習中的某些東西是永遠無法完全理解的。再多的課件，再多的 mooc，再多的 Kaggling，都無法讓你為此做好準備。沒有什么可以替代部署模型、觀察用戶與模型的交互、處理代碼/模型分解等等。

5. 總是有可能將多個獨立的問題聚合成一個復(fù)雜的相互依賴的解決方案，在大多數(shù)情況下，這是一個壞主意

端到端學習在理論上聽起來是一個好主意，但是對于大多數(shù)部署場景，分段優(yōu)化的管道架構(gòu)將繼續(xù)存在。這并不意味著我們將完全沒有端到端系統(tǒng)(語音識別和機器翻譯有很好的端到端生產(chǎn)價值解決方案)，但在大多數(shù)情況下，具有可觀察的調(diào)試路徑將勝過其他選擇。

6. 把一個問題轉(zhuǎn)移到別處，甚至是忽略它，都比解決它要容易得多

例如，在語音方面，聲學建模是困難的，但是你可以讓網(wǎng)絡(luò)在解決不同問題(例如語音識別)的方法中找出這些細節(jié)。在 NLP 中，很難進行正確的解析。但值得慶幸的是，對于 99%的現(xiàn)實任務(wù)，我們可以不進行解析。

推論：除非迫不得已，否則不要解決問題。

7. 你總是要在一些事情上做權(quán)衡

速度 vs 內(nèi)存，電池壽命 vs 準確性，公平性 vs 準確性，易于實現(xiàn) vs 可維護性，……

8. 一切都比你想象的復(fù)雜

與購物時的價格沖擊類似，工作中也有“努力沖擊”。大多數(shù)經(jīng)驗豐富的研究人員和工程師都經(jīng)歷過“努力沖擊”，要么是因為他們低估了處理大型數(shù)據(jù)集的工程問題，要么是因為他們低估了正在與之搏斗的領(lǐng)域的復(fù)雜性，要么是因為他們低估了對手。大多數(shù)論文讓讀者讀起來覺得事情很簡單，而忽略了這背后是經(jīng)過了幾百萬次失敗才有的成功。因此，論文不是研究，而是做研究的結(jié)果。因為這個原因，你永遠可能通過閱讀論文來體驗做研究的過程。

9. 你永遠都會是準備不足

這可以和第 8 點結(jié)合起來，事實上任何遠程調(diào)用的成功的模型如果沒有適當?shù)挠媱潱伎赡苡捎谧陨淼某晒Χ罎ⅰ?/p>

10. 一個尺碼不可能適合所有人，你的模型會一直犯令人尷尬的錯誤，盡管你的出發(fā)點是好的

角落案例和長尾失敗模式將困擾你。值得慶幸的是，對于許多非關(guān)鍵的 ML 部署來說，這并不是什么大問題。最壞的情況下，它會成為一條搞笑的推文。但是，如果你在醫(yī)療保健或其他高風險情況下工作，ML 部署將因此成為一場噩夢。

11. 每一個舊的想法都會以不同的名字和不同的形式被再次提出，不管它是否有效

Schimdhuber 可能提出了一個更大的觀點。沒有人聽他的，像他一樣，我們把舊酒重新裝進新瓶子，被迫重復(fù)錯誤的歷史。

12. 達到完美不是因為沒有什么可以補充的，而是因為沒有什么可以去掉的

生活中的每件事都是如此，現(xiàn)實世界中的機器學習也是如此。唉，我們的會議回顧了他們對“新穎性”的嗜好，產(chǎn)生了不想要的 arxi -spam，其中包含了大量本來就不需要存在的垃圾。除非做“科學”能夠鼓勵宣傳什么是有效的，而不是什么是新的，否則我不認為這種情況會改變。