基本原理ML的最大问题是将其视为SDLC的万能救星，从而无需遵循传统的SDLC设计和协议。ML可以大大提高效率，并使开发人员可以更好地将时间分配给需要人工输入的操作。但是，它不能完全取代认真，勤奋和周到的软件计划，设计，开发和版本控制。机器学习与代码不同使用公共云提供商提供的工具。他们步调自如，轻松自在，您可以通过认证。ML与编写代码相反。它是基于需求培训和新数据而不断发展的模型。像一个怀疑的科学家那样思考，您总是在尝试反驳和改进。SDLC中ML应用程序中的过程不确定性强，因此它在很大程度上取决于ML工程师的技能，以便能够以正确的方式构造数据和算法。开发人员必须注意偏见的引入。开发人员需要记住，这些机器只知道它们所教的内容，并从我们提供给它们的数据中学习。如果数据有偏见，则机器将有偏见–有无数的例子表明机器无法从学习的数据中识别出他们没有暴露过的面孔，口音或性别。另一个风险在于构建的产品不是最佳产品，它将继续在您的代码和SDLC中推广自己。这比在传统的编码环境中更为普遍，在传统的编码环境中，错误的输出会迅速且经常在雷达下显示出来。重要的是要弄清楚护栏，如何确保获得正确的结果，然后如何确保机器知识可以传递，并且随着时间的推移而变得更好而不是变得更糟。建立包容性以达到预期的结果是关键，而从一路走到后期制作则不能失去对优化的
转载请注明：http://www.0431gb208.com/sjszjzl/5815.html
