教你解决电量抽风的大Bug

你肯定会回答“17毫克”，因为这个太简单了，白纸黑字直接写着。那第四天呢?看看表，41毫克?完全正确!

那么现在，如果让你写一个软件来输出1-5天的正确剂量呢?你会用机器学习吗?换句话说，你会试着先在这些数据中寻找模式，然后转化成从输入到输出的模型吗?

不会，当然不会，傻子才会!你会让软件像你前面做的一样：直接去表里查结果就行。这样你就能100% 得到在所有60天内的正确答案。不需要寻找模式也不需要什么机器学习。

哪种情况下你需要机器学习

比如现在，是第61天如何?正确答案是什么呢?

那么首先，我们从来没见过第61天的数据，因此无法查找答案。那怎么办呢?怪运气不好没第61天数据吗?还是给目光投向机器学习?那也就还要看情况了。

如果输入输出之间没有什么模式可言的话，就忘掉机器学习吧。在这样的案例中，它基本上很难发挥作用...如果你觉得机器学习可以处理的话，那还是尽早放弃这个想法吧!

那什么情况下可以考虑机器学习呢?

第一，必须找到有用的模式：如果数据里有一个模式(说如果)，而且能发现它，那就可以尝试用它预测或猜测第61天的结果。这样机器学习就有用。

第二，模式必须能泛化：现在问题是，光是数据里有一个模式还不够，太简单了。我们还要知道，该模式在60天之后还能适用吗。如果第61天的条件完全不同，导致模式不能泛化怎么办?因为你要知道，也许在第61天所有患者就已治愈或死亡，或开始服用不相容药物。那么这时，在之前数据中发现的模式就不会太有用。

第三，非平稳世界：如果你的数据并不能很好的反应未来—也许因为一场大流行改变了世界的一些运行规则，那么之前获得的数据再好也没什么价值。如果你生活在宇宙中一个不稳定的角落，那你就很难验证一般所说的遍历性和平稳性假设，翻译成人话就是“我相信规则并没有什么改变。”

这里，我说的不稳定并非旁人眼中所谓的不稳定现象，例如通货膨胀导致的物品平均价格随时间的波动。这种简单的不稳定性(随时间变化的可预测函数)是时序分析领域处理的问题。

其实我想谈的是，那种你几乎束手无策的极端不稳定性，因为系统规则从本质上改变，所以无法从一个周期去预测下一个。如果你过去的数据突然无法适用不确定的未来，你也就很难坦然地用昨天去预测明天。


 

谁在进行迁移?

企业根据其云迁移项目的规模和范围，也许可以使用自己的IT资源来管理云迁移，否则将在项目方面需要获得帮助，或者提高企业团队的管理水平。如果认为可以使用自己的员工，需要确保已经充分考虑了处理迁移项目所需的培训和时间，并且已将其计入成本效益分析(CBA)流程中。

除非企业需要进行大量类似的迁移，否则现在是聘请顾问或托管服务提供商的时候了，他们是各类项目的专家，并拥有使项目成功的人员和工具。

企业在将项目进行招标或联系第三方顾问和服务提供商之前，需要与软件供应商沟通，了解他们是否有自己的迁移专家或推荐的顾问团队。一些大型企业软件供应商将只为其服务合作伙伴执行的迁移提供持续的支持和许可。

确保有利

从企业的角度来看，大规模的云迁移往往会超支，无论是在时间还是成本上，有时甚至会完全失败。

以英国柴郡警察局为例，在实施为期三年的云迁移项目之后，他们刚刚在与目前基于Oracle的系统投入使用12个月后采用了一个新的ERP系统。

尽管企业应该成功规划云迁移，但还需要确保其项目将供应商和合作伙伴置于严格的服务等级协议(SLA)中，以确保企业在交付进度中的任何延误方面都能获得经济上的补偿。

需要注意，成功交付云计算项目是一个双向过程，因此企业需要确保关键利益相关者参与进来，了解该项目的时间表，并知道他们需要什么以及在什么时候需要什么。这样，服务等级协议(SLA)通常会在这两个方向上起作用，以使项目保持进度，因此，制定清晰的计划可以避免因最后一刻的更改导致迁移项目延迟而受到惩罚。

一旦企业和所有需要的利益相关者一起构建了云迁移计划，并且其项目正在进行中，那么就坚持这个计划，并抵制住诱惑。

人们经常看到，云迁移项目一开始就有一个严格定义的工作范围，但由于客户在交付阶段要求修改工作范围，导致交付延迟、成本增加和变更请求等工作量将会迅速上升。




 

（编辑：周口站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!