如何将機器學習融入到你的開發周期之中? JAX London大會上的演講者羅伯·希德具體解釋了如何使你的程序适應機器學習，同時仍然保持着靈活和精益的原則。
JAX London會議期間介紹了在靈活開發環境中的機器學習研究。這是一些有關主題的進階概述。同時也做了一些很酷的機器學習示範，這會讓它更為直覺且具有趣味性。
問題是什麼?
人造智能(AI)和機器學習(ML)現在風靡一時，在谷歌最近的I / O 2017活動中，他們将ML和中心計劃滲透到所有産品中，許多大公司都轉型成了機器學習公司，這是大資料時代的一種進步。
根據最近一份的調查，有38%的受訪企業已經在使用人工智能，其中62%有望在2018年之前使用。是以，很多企業在充分了解他們實作的目标之前，可能會感覺到投資于人工智能戰略方面的壓力，更不用說适應傳統的工程傳遞團隊的壓力了。
機器學習不等于産品
機器學習是一種增強産品的有力工具。但是，機器學習不應被視為産品的賣點，應該是産品第一。也就是說，無論是由機器管理還是人為監督，最應該考慮的是，它是否有産品的市場。為更好地适應市場并提供價值給客戶，建構完全非ML版本的産品是否有意義。
從“小”建立産品價值
精益創業和快速疊代原理這裡仍然适用：依據上述觀點，從非ML版本産品開始，當你開始應用ML技術時，如果你能夠開始利用其中一些技術來獲得均勻的性能的小幅增長(更好的建議是，減少人力/成本，改善使用者體驗。這隻需5%的案例，用ML替代人力就可以實作成本效益)，那麼這就意味着價值上升的開始。從“小”開始，你可以見證價值的變化，同時也讓ML基礎架構經過了測試和驗證。
進入發展沖刺周期
你可能正在招聘新的研發團隊，或者可能正在使用現有工程團隊的成員。無論哪種方式，讓他們在類似的開發沖刺周期中工作(如果你在沖刺中工作)也很有幫助。這将使雙方的團隊能夠了解發生的情況和工作進展情況：産品和工程變更和問題可能有助于指導研發方向。
同樣，可能有了來自研發團隊的資料特征或回報，是以能很容易地進行設計，并使研究更簡單。雖然研究正在進行，而且通常是一個耗時的任務，但有兩周的時間可以進行讨論，這對整個團隊的了解以及提供一個積極的鼓勵都是有好處的。
不要忘記清潔代碼
在試驗和研究不同的想法時，很容易陷入黑客模式。而用粗略的腳本來證明一個初始的概念或想法這也是一種方式，但随着團隊的進步，實際上将更有益于投資良好的編碼原則的進步。盡管随着團隊在多個方面的工作，讓一次腳本變得更有意義，但通過正确分離，可重用群組織合理的代碼使未來的研究更容易，也會減少生産中的成本。投資機器學習，使實驗易于測試(并對不同的解決方案進行基準測試)将從一開始就非常有益。
本文轉自d1net（轉載）