机器学习在领英的规模化应用( 三 )_人工智能和机器学习仍然是全球持续增长

但领英发现，过去每个团队用自己的AI技术堆栈开发各自的产品。，这种做法无法有效实现规模化，因为每个团队使用的技术不同，从逻辑回归到深度学习，从Pig 、 Hive、Spark到Scalding等等，团队之间的AI技术堆栈很难共享协作。所以领英希望在招入新的工程师或是开发新功能、使用新技术时，尽可能减少大家的负担。此外，近年来很多人工智能领域的从业者其实并不是人工智能专业出身，领英的AI基础架构对他们来说过于复杂，难以用来构建、迭代模型。

为了高效地促进机器学习规模化，领英构建了名为“Productive Machine Learning”(高效机器学习)的项目，简称Pro-ML 。 Pro-ML的目标是将AI工程师的工作效率翻一番，让他们能更轻松、更高效地构建模型。在过去十年里领英发现，模型性能与模型更新速度直接相关。因此，如果能让工程师加快模型迭代速度，那么模型性能也会提高。

具体来说Pro-ML采用分层解决方案，目标是提高整个模型开发周期的效率，从模型探索和构建(Exploring and Authoring) ，到模型训练(Training)、模型部署(Deploying)、模型运行(Running) ，再到持续监控模型状态。领英希望把所有常规工作自动化，这样算法工程师就能更加聚焦于创新。