O'Reilly首席数据科学家Ben Lorica在去年12月新加坡Strata数据会议上发表的演讲中提出：我们需要构建机器学习工具以此来增强机器学习工程师的能力。
Lorica讲述了在IT部门中会出现一个新职位：“机器学习工程师”，其工作是使机器学习模型适应生产环境。这些工程师会冒着将算法偏差嵌入系统中的风险，以此来降低系统为人类服务产生的劣质解决方案。
Lorica还提出了一系列的技术和程序步骤，以尽量减少这些风险，Lorica还将这些写入了相关的论文中去，对于任何在生产环境中实现机器学习系统的人来说，这是非常必要的阅读。
举个与错误有关的例子：如果人们一旦对某一项开发的错误率感到满意，那么是不是已经准备好将这一模型部署到生产中去了呢？假设有一个场景，有一个机器学习模型用于卫生保健：在建模过程中，千禧一代（皮尤研究中心定义为1981年至1997年间出生的美国人，在中国通常指1980年至2000年出生的人）的测试数据（红色）与来自老年人的被标记的例子数量（蓝色）相比是相当大的。由于准确性往往与测试集的大小相关，因此老年人的错误率将高于千禧一代。
对于这样的情况，一组研究人员引入了一个名为“机会均等”的概念，可以帮助减少不成比例的错误率，并确保两组的“真正正确率”是相似的。
本文首发网站：https://www.ait800.com/jiqixuexi/132.html
