原创<br> 入职一年后，一位算法工程师给初学者的一封信( 六 )_：入职一年后

稳定性>前沿性

我们曾经有一个有关自然语言的问题：把文字内容归为不同的类别。任务目标是帮用户向服务中心发送一段文本，并且自动把文本归为两类中的其中一类，如果模型预测的不够准确，那么把文本交给人工处理，工作量大概是每天1000-3000次请求，不多也不少。

BERT成为了今年最受瞩目的名词。但是如果没有谷歌的规模化计算工具，想要使用BERT训练模型来完成我们的需求则非常麻烦，而且这还仅仅是把模型用于生产前所需要的工作，因此，我们找到了另一种方法——ULMFiT。这个方法虽然不是最前沿的，但是它能产生足够好的结果，并且这个方法也很容易使用。

与其将某个方法改进到完美，不如借鉴已有的模型，在这基础上进行迁移学习，这样能带来更多的价值。

机器学习中的两大难点

将机器学习付诸实践存在两个瓶颈：从课程成果到项目成果的瓶颈、从理论模型到生产模型（模型部署）的瓶颈。

互联网搜索机器学习课程返回了大量的结果，我用了其中许多课程创建自己的AI硕士学位课程。但即使在完成了最好的几门课程，当我开始担任机器学习工程师时，我的技能还是建立在课程的结构化主干上，在现实问题中，项目并不是结构化的，我缺乏具体的知识，线上的互联网课程中无法教会你一些技能，比如：怎么质疑数据、探索与开发模型。