TimeLine
- AlexNet 之前（2012 年之前）
- 随着机器学习社区采用「let’s throw data at it」的方法，机器学习空间就变成了数据空间。
- 2016 年，谷歌宣布将神经机器学习技术应用到谷歌翻译中，这是深度学习在现实世界里首次落地的重要标志。
ML 应用面临的一些问题如下所示：
-
监测：怎么知道你的数据分布已经改变以及需要重新训练模型？
-
数据标注：如何快速地标注新数据，或者为新模型重新标注现有数据？
-
CI/CD 测试：由于你不能花几天的时间等着模型训练和收敛，所以如何运行测试以确保每次改变后模型像期望地那样运行？
-
部署：如何封装和部署新模型或者替换现有模型？
-
模型压缩：如何压缩 ML 模型使其拟合消费类设备？
-
推理优化：如果加速模型的推理时间？是否可以将所有操作融合在一起？是否可以采用更低精度？缩小模型或许可以加速推理过程。
-
边缘设备：硬件运行 ML 算法速度快且成本低。
-
隐私：如何在保护隐私的同时利用用户数据来训练模型？如何使流程符合《通用数据保护条例》（GDPR）？
