数据智能老司机

大型语言模型（LLMs）已经改变了我们处理复杂认知任务的方式——从编写生产代码，到分析财务报告，再到翻译几十种语言。互补的 foundation models 现在也能处理视觉、语音合成与识别、音频处

2017 年，我亲眼见证了一次范式转变。Google 的研究人员刚刚发布了 NASNet，这是一个完全由机器学习算法发现的神经网络架构。这个发布之所以不同寻常，并不只是因为自动化系统发现了一个新架构，

我还记得第一次在生产环境中遇到调参很差的机器学习模型。那是 2018 年，我在一家银行工作，该银行部署了一个欺诈检测系统。这个模型是一个梯度提升分类器，特征也都选对了，概念上没有问题，但性能最多只能算

我永远不会忘记那个让我真正理解糟糕数据预处理代价的项目。那是 2006 年，我正在为一家价格优化初创公司做咨询。它想用电子健康记录来预测患者再入院风险，用于一个保险定价项目。三个月后，它把 80% 的

自动化机器学习（AutoML）的承诺是具有变革性的：以最少人工干预，将原始数据转化为生产就绪的预测模型。然而，在这种优雅简洁的表象背后，隐藏着一套复杂的、相互连接的流程编排；这些流程必须协同工作，才能

正如你在第 1 章中看到的，自动化机器学习代表了人工智能领域中的一次重要范式转变。本章将追踪 AutoML 经过三个不同代际的发展过程——从早期学术实验，到今天企业级可用的平台——并考察塑造这一领域的

当我刚进入机器学习领域时，构建一个模型意味着要花上好几天，有时对于复杂问题甚至会拖到好几周，去仔细选择和创建特征、调优超参数，并尝试不同的模型架构。本章将探讨 AutoML 正在如何改变这一现实。 在

本章将深入 Milvus 的核心组件之一，也就是向量引擎 Knowhere。Knowhere 是一个专为向量数据库设计的高性能向量搜索引擎，负责处理向量数据的索引构建和搜索等关键任务。通过本章，你将理

在前几章中，我们探索了如何在 Milvus 中写入和读取数据。虽然这些流程对于实时操作非常高效，但它们也会引入底层挑战，例如 segment fragmentation，以及过时文件的积累。 本章将探