AWS 台灣雲端高峰會 9 月 2 日磅礡登場！
🎬 給我一分鐘，帶你看見雲隨商轉新高峰 ☁
每年最受矚目的「2021 AWS 台灣雲端高峰會」今年以「雲隨商轉 建構由我」主題，即將線上帶來嶄新體驗，集合領袖演說、產業案例、開發實作、一對一諮詢、互動好康等澎湃內容！💥 最後名額倒數中，把握最後機會 >> https://r.itho.me/aws-summit-fb5-1
相信你一樣超級期待 9 月 2 日的到來，在精彩盛事正式展開之前，👨 翻轉教育先鋒 葉丙成 教授、超人氣 AI 專家臺大學電機系 李宏毅 副教授，以及多位產業領袖大大難得齊聚，要帶領我們用一分鐘的時間，快速攻略 AWS 年度雲端盛事！
【攻略一：產業領袖前瞻心法】
主題演說 + 系列專訪，囊括 AWS、Acer 宏碁泛歐營運總部、BoniO 幫你優、CSD 中衛、DBS 星展銀行、YCM 永進機械等超過 30 家重量級企業分享，更有 iThome 總編輯 吳其勳 與眾家領袖的獨家系列訪談，揭曉新常態轉型關鍵！
【攻略二：雲端知識庫大補帖】
匯聚 7 大關鍵主題、55 堂精彩議程不間斷，不管你是雲端架構師、IT 管理人員或決策者，都可以找到合適自己角色的議程！
🎯 人工智慧與機器學習
🎯 資料分析
🎯 資訊安全
🎯 IT 管理
🎯 應用程式現代化
🎯 創新思維
🎯 產業聚焦
【攻略三：精進開發實作即戰力】
為開發者打造「AWS Lab 實戰練功坊」，精心挑選企業應用情境，由專家帶領演練，高效學習深度雲端技術能量！
❑ 身歷其境 AWS 開發者專區 ❑
👾 使用 AWS Glue 與 AWS CDK 現代化開發實務攻略
👾 深入 MLOps 演進論，剖析不同階段開發課題
👾 在 AWS 環境中，找到高可用性保管服務
👾 運用 AWS 網路服務，建構多重安全性存取連線
👾 透過無伺服器架構，為社群打造量入為出營運模式
❑ 破解盲點 Builders 練功坊 ❑
🦾 透過 AWS Amplify 與 AppSync，強化前端與行動化應用程式開發能力
🦾 從單體式到無伺服器架構：在 AWS 開啟創新旅程
🦾 運用區塊鏈科技，有效建立企業級解決方案
🦾 透過 AWS 人工智慧服務，豐富手中的無伺服器應用程式
【攻略四：雲端同好線上交流】
線上雲集專家與技術愛好者透過培訓、探索、諮詢，完整掌握雲端技術動態，實現創新藍圖！
🏆 AWS 培訓與認證中心，建構專屬自己的雲端學習路徑
🏆 AWS 合作夥伴網路（APN），為團隊找尋到合適的雲端夥伴
🏆 線上展開一對一諮詢互動，零時差跟 AWS 顧問與技術專家深入交流
【攻略五：參會限定好康帶回家】
📣 活動當天參加互動，就有機會抽 Apple Watch S6！更有多款 AWS 專屬 3C 小物、美食平台外送券請客吃好料，以及 AWS Credits 服務抵用券等你領取，趕快把握機會
看完超精彩一分鐘開箱影片，心動不如馬上行動！
2021 AWS 台灣雲端高峰會現正倒數中 ⌛ ⌛，趕快把握機會、馬上報名，搶占最後席次 >>
💥 倒數最後席次．火速報名： https://r.itho.me/aws-summit-fb5-2
🎁 加碼互動好禮．線上卡位： https://r.itho.me/aws-summit-fb5-3
mlops 實 作 在 Re: 本來學ML是該轉路還是繼續鑽研- 看板Soft_Job - 批踢踢 ... 的推薦與評價
一個ML應用要落地產生商業價值
在data scientist把model訓練出來之後
還有很長一段路才能真正進到生產環境
ML系統的複雜度其實非常高
從資料收集，特徵處理, 模型訓練, 模型測試, 一直到後面的模型部署，模型監測
真正要落地，上面的每一步都會有相對應的系統來做處理
系統要能自動化 要reliable 要scalable 還要能控制ML流程本身的複雜度
而不是說只要跑個jupyter notebook把模型訓練出來test能過就完事了
關於這個議題還是要大推一下2015年的NIPS paper
Hidden Technical Debt in Machine Learning Systems
所以呢 目前可以看到業界職缺的演化是有以下兩種型態
一種是scientist track
另一種是engineer track
scientist就真的需要比較強的數學理解
要能夠有能力訓練出"符合需求"的模型
但是通常這種人系統及程式能力不會這麼強
所以需要engineer來補足
其實scientist track還可以分成偏研究和偏應用的
簡單來說
偏研究的比較像是增加整體公司的技術力 他們會去發paper 數學要真的好 要有研究能力
偏應用的目標則是會更聚焦在商業問題上
他們需要在有限的資源下(時間, 運算資源, etc.)提出解決商業問題的方法
在業界其實大部份搞ML演算法的都比較是這類
工作基本上就是兜兜library套一些現成的演算法
但是也不是說這種人就毫無知識含量
對相關商業domain的深度了解
使他們可以在有限的時間及資源下提出方法解決商業問題
這個就是他們的價值
engineer就比較像是構建最一開始所說的系統的人
做自動化 做scalable feature pipeline 做模型training/testing平台 模型部署
而且真正開始ML落地的公司 線上在跑的很快就不會只有一兩個模型
可能是數十個模型，甚至上百個模型
這就需要專職的engineering team來負責, 包含ML platform dev, 還有MLOps
這樣的工作其實程式和系統的能力會比較重要
比較像是介於傳統data engineer和data scientist之間
也有需要加點一些devops跟backend的技能
做這類工作就不需要對ML演算法及理論有那麼深的理解
知道點high level其實就足以勝任(因為主要是由scientist負責)
但是做這件事軟工的技能就要點得比較高
當然演算法的理解還是會對這個工作有幫助
比如說要做distributed training的系統
那有些ML演算法天生就是是沒辦法平行化
不知道演算法的細節
就可能沒辦法理解天生的限制而最後搞出了不合用的系統
我想說的是 如果數學不好 又想做ML也是可以考慮看看這個方向
隨著ML開始落地的公司愈來愈多 這樣子的職缺也會愈來愈多
如果是剛畢業想走這條路
或許從data engineer開始可能會是可以去嘗試的一條路
可以先沾個邊 在公司裡面再慢慢點上面我說的技能
※ 引述《ckrmpuhv (阿瓜)》之銘言：
: 各位板上大大好
: 小弟是後段國立科大資管碩即將畢業
: 因為一些私人原因是不用當兵
: 所以論文完成後準備開始找工作
: 目前程度：
: 大學學過JAVA
: 網頁跟資料庫也只有課堂學習過沒實際做小專案
: 因為對Ml有興趣
: 在碩階段期間 都是自學ML相關
: 聽過李宏毅老師的課
: 實作過他課程的作業
: Keras的一些神經網路搭建也沒捨問題
: Kaggle只參加過一兩次 排名都很爛
: 大部分的實作和論文都是跟影像辨識相關
: 最近看板上大大各式各樣建議
: 非四大四中 也不是kaggle的佼佼者
: 數學方面 線代沒學 統計學大學學過但也不熟
: 看完覺得自己很爛出去可能沒人要？
: 目前都還在做ml各種模型實作
: 但看完板上很迷茫要往哪些方向學習怕找不到工作非常憂鬱
: 我不清楚該橫向發展拓別的領域
: 像是網頁、App 自己做一些小專案增加作品集
: 還是去補數學 更深入研究Ml
: 又或者先去刷Leetcode打底
: 還請各位大大指教 謝謝
: -----
: Sent from JPTT on my iPhone
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 172.92.160.251 (美國)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1615543421.A.E10.html
※ 編輯: frouscy (172.92.160.251 美國), 03/12/2021 18:17:49
偶爾寫一篇的那種可能還行
但要投錢持續去做純研究產出的單位真的很燒錢
看看下面的例子
deep mind是有google做乾爹
去年虧損六百多萬美金 google爸爸還幫忙付了10億美金的債
open AI也是是有微軟爸爸投資了10億美金
圖靈獎得主Joshua Bengio的研究公司Element AI也是賠到脫褲 好像準備要賤價賣出
有多少資源做多少事 現實就是這樣
我覺得沒什麼好埋怨LOL
隨著模型愈來愈複雜
連拿已經有的演算法來train model都會變成資本遊戲(想想GPT3)
其實競爭激烈有一個原因是
業界並不真的非常需要做純研究的人XD
能解決商業問題讓公司賺進利潤擺脫成本中心才是硬道理
剛從學校畢業的人裡面
眼高手低的人太多
腳踏實地的人太少
再說如果engineer做到很有經驗也是很有價值的
現在有個看得到的趨勢是research paper上
scientist和engineer其實會一起掛名
所以即便沒有PhD 還是有機會可以發paper的
而且其實ML system也開始有自己的conference了
https://mlsys.org
這個就是engineer的主場了
※ 編輯: frouscy (172.92.160.251 美國), 03/13/2021 09:44:26
... <看更多>