為甚麼ML production很重要？2021年ML新趨勢
在前不久我發布了一篇針對如何最佳化你的DL model performance的文章，其中大量參考Full Stack Deep Learning bootcamp的資料，而也有說這會是一個系列。
那為甚麼會想要開成一個系列？其實已經是累積一段時間的想法了，剛好最近比較有時間就盡量能寫多少算多少，先來分享一下為甚麼在這個階段我覺得ML Production很重要。
AI浪潮過了嗎？
在2021年2月5日孫民老師在我們實驗室的meeting分享了一個約50分鐘的talk，其中一開始就提到了這個問題？
而為了要解釋這個問題他介紹了Gartner的Hype Cycle
Gartner Hype Cycle methodology gives you a view of how a technology or application will evolve over time, providing a sound source of insight to manage its deployment within the context of your specific business goals. link
Hype Cycle指的是在每個科技或是應用發展時，建立一個時間觀念，了解這個科技的發展情況，裡面最主要分成4個stage
第一階段：Innocation Trigger，只要這個科技有它的價值（效果突破、大眾有興趣、成本下降），那在最早期技術不斷突破的時候，這個科技就會飛速吸引到大眾的目光。
第二階段：Peak of Inflated Expectations，在飛速成長後，我們會達到過高期望的一個峰值，而隨之而來的就是泡沫化。
第三階段：Trough of Disillusionment，泡沫化後的低谷，在這個階段科技面對前所未有的挑戰，必須要想辦法活過這個死亡谷，但是同時活過的就會是那些真正受的了考驗的公司，也就是那些真正能把科技用出其價值的公司，而接下來這個科技就會進入比較穩定的成長，大眾對這個科技也有一個客觀、理性的認識。
第四階段：Plateau of Productivity，市場已經實際接受了這個新科技，經過數輪的迭代，所有的方法論、工具都已經成熟。
上面只是概括的介紹，詳細還是需要大家自行上網對Hype Cycle做研究。
老師：「大家覺得目前CV在Hype Cycle的哪個階段？依照投資人的角度」
這裡其實我以為的是在D
但是老師公布正確答案是在B
每一年Gartner都會公布他們認為今年的Hype Cycle是如何，而在2020年他們特地做了一個AI的Hype Cycle link
這裡可以看到像是CV、ChatBots都在B附近的位置，這顯現的是在投資者的眼裡，如果是5年前大家講自己有一家CV的公司會很興奮，但是現在投資者知道這不代表甚麼，甚至更多人會質疑你的Business Model、你的Product、你的Revenue Model是甚麼？
補充：事實上在2020的State of AI report，裡面就花了不少篇幅談了自動駕駛的產業整合，包含Waymo’s in-house Honeycomb、Aurora acquired Blackmore、以及多家光達廠商進行SPAC（類似reverse merger）。而大家熟悉的CV在B，那其實並不是壞事，的確在過去大家能夠靠著自己的學術publication拿到不錯的funding，但是現在已經過了那段時期了，但也正因為已經過了那段時期，大家更重視AI真正能成就的事情，尋找真正AI的價值。
從Hype Cycle裡面也可以看出來，其實並沒有所謂的AI’s Winter is coming，AI在過去的確有過度炒作的問題，但是度過了波谷，迎接的是AI緩慢但穩定的向上發展，而要支持這個發展，需要的就是更明確如何落地AI的應用、技術，找到AI在業界的可能性。
但是也因為AI/ML已經在Hype Cycle最後的緩慢成長期，所以任何一個ML的技術都必須要經過市場的考驗，只有真的能夠落地的那些，才是能夠在Hype Cycle裡面存活下來的技術、公司。
而在越來越重視落地AI的各大公司下，作為ML engineer跟data scientist的職能也慢慢往production level移轉，純粹的研究職位慢慢變少，更多的是在敏捷的產品團隊裡面把ML進行商品化。
目標差異：研究員的Curse of Knowledge
在stanford的新課程cs329 Machine Learning Systems Design裡面，第一堂課他們就著重談了目標差異這件事。以下我簡介他們的內容。
Research vs Production
- Researcher的目標：Model Performance越高越好
- Production的目標：不同stakeholder會有不同的目標
不同stakeholder，以餐廳推薦系統舉例而言
- ML engineer： 希望推薦系統能夠推薦每個用戶真正想去的餐廳。
- Sales team： 希望能夠推薦「那些支付較多廣告費的餐廳」給用戶，以便跟各家餐廳推薦自己的廣告收費系統，讓公司的收入能夠更高。
- Product team： Product Team假設在過去發現推薦的latency越高會導致越多用戶直接放棄使用這個app，所以希望model能夠inference越快越好。
- Manager team： 希望總利潤最大化，甚至是淨利、毛利最大化，所以如果收入無法提升的話，那一個optimize好的model就不需要ML工程師繼續優化了，所以就可以考慮裁掉ML engineer。（參考）
所以這裡看出來在一個product team裡面每個人的目標不同，而ML engineer或是ML researcher如果再保持著錯誤的目標，一來可能無法讓公司有更多的利潤，而無法說明自身價值，進而可能危及到自己的工作。
這裡讓我想到之前聽Mr. PM大大介紹的北極星指標時也學過類似的概念
當一個團隊每個角色內在目標不同的時候就很難推進一個產品，所以Mr. PM老師推廣了北極星指標，而其他也有很多人推廣OKR等工作法，這裡我不是要講怎樣的團隊工作模式比較好，而是搞清楚自己對產品的價值，以及不同人的目標。
很多現代的ML方法，為了追求0.1 0.2%的performance improvement，可能多花了3~5倍的運算時間、運算資源，這在Manager或是公司的目標中就是牴觸的。
節省10%的運算資源對公司成本就是一個可觀的改進，但是ML 系統準個1~2%大概率是不會被感覺出來的。
所以ML engineer的價值不只在把performance最大化，而要從整個產品的角度想問題。每個產品的成本結構、利潤結構如何、商業模式如何都是要考慮的問題。
ML engineer的職能要求慢慢轉換
Google cloud的ML engineer的JD給出了比傳統想像中更多的要求。
總共分成6部分
- ML Problem Framing
- ML Solution Architecture
- Data Preparation and Processing
- ML Model Development
- ML Pipeline Automation & Orchestration
- ML Solution Monitoring, Optimization, and Maintenance
具體細節可以由我上面的link進去看，但是大家可能會發現，目前學校的教育基本上只cover 3跟4，甚至很多學校是不cover 3的，但是現在Google已經帶頭開出了高要求，把整個ML production需要的技能全部列出來，加上美國各大學都慢慢開始規劃各種相關課程。
所以現在ML production的知識已經變成每個ML engineer的必備技能了，而不再像是過去只要會XGboost跟調參就可以工作的時代了。
接下來我的medium會把其中一個重心放在Machine Learning Production這塊，也就是如何把ML的algorithm放到產品裡面，主要會包含幾個以下部分
- AI + Human Center Design：這部分會以Human Center Design的角度來討論AI要怎麼加入到以前的設計流程，並且討論Human AI interaction的最新研究與論文，這塊主要會以人機互動、STS（Science, Technology and Society）以及AI概念科普為主，讓大家更深入了解到目前學界、業界怎麼討論AI的產品論，以及AI產品對我們未來生活的影響。
- Real world ML production：包含初期怎麼設定ML project目標、baseline怎麼找、一個ML的team組成、如何收集資料，到後期infrastructure 、 deployment 、 CICD等知識，這塊我會大量參考FSDL跟全世界目前討論相關知識最新的文章，主要會以重新整理別人知識並且自行說明出來，結合一些kaggle跟ML實務的經驗。
- ML cloud service簡介：我會重點放在介紹AWS的sagemaker服務，並且夾雜一些AWS跟GCP的其他服務，這部分是我目前在使用的工具，所以比較是使用經驗的分享。
上面這三塊，我比較熟的是1，而2有一些過去的經驗也是最近想要深入的部分，所以會大量寫作內容放在1跟2，不過相較於sklearn 、 ML theory 、 kaggle 、 DL research進展等主題，我ML production這塊還是比較不熟，所以有錯非常歡迎大家一起來討論學習。
如果喜歡這篇文章可以幫我多拍手幾次XD，或是對於哪個類型文章有興趣都可以在留言區跟我講~ 後續會以中難度的ML/DS/AI知識為主，以及AI/HCI研究相關知識
