机器学习和AI继续深入IT服务中，并补充软件工程师开发的应用程序。如果IT团队想跟上这种步伐，必须提高他们的机器学习技能。

云计算服务支持构建和部署AI及机器学习应用程序的各种功能。在很多方面，AI系统的管理与IT专业人员在云端熟悉的其他软件非常相似。但是，仅仅因为某人可以部署应用程序，并不一定意味着他们可以成功部署机器学习模型。

尽管这些共性可能会加快过渡，但仍存在重大差异。除了软件工程技能外，你的IT团队成员还需要特定的机器学习和AI知识。除技术专长外，他们还需要了解当前可用于支持其团队计划的云计算工具。

下面让我们探索IT专业人员在云端成功利用AI所需的5个机器学习技能，并了解Amazon、微软和谷歌为支持这些技能所提供的产品。在这些技能集中，虽然存在一些重叠，但不要期望一个人具备所有技能。通过组建具有这些技能的人员的团队，可使你的企业处于最佳位置，以利用基于云的机器学习。

1. 数据工程

如果IT专业人员想在云端实现任何类型的AI策略，都需要了解数据工程。数据工程包含一系列技能，这涉及数据整理和工作流开发领域，以及软件架构知识。

IT专业知识的这些不同领域可以分解为IT专业人员应完成的不同任务。例如，数据整理通常涉及数据源标识、数据提取、数据质量评估、数据集成以及在生产环境中执行这些操作的管道开发。

数据工程师应该习惯使用关系数据库、NoSQL数据库和对象存储系统。Python是一种流行的编程语言，可结合批处理和流处理平台（例如Apache Beam）以及分布式计算平台（例如Apache Spark）使用。即使你不是专业的Python程序员，只要具备一定的语言知识，你都可以从针对数据工程和机器学习的各种开源工具中提高技能。

数据工程在所有主要云端都得到很好的支持。AWS提供全面的服务来支持数据工程，例如AWS Glue、Amazon Managed Streaming for Apache Kafka（MSK）和各种Amazon Kinesis服务。AWS Glue是数据目录以及提取、转换和加载（ETL）服务，其中包括对计划作业的支持。MSK是数据工程管道的有用构建块，而Kinesis服务对于部署可扩展流处理管道特别有用。

Google Cloud Platform则提供Cloud Dataflow，这是一项托管的Apache Beam服务，支持批处理和Steam处理。对于ETL流程，Google Cloud Data Fusion提供基于Hadoop的数据集成服务。Microsoft Azure还提供多种托管数据工具，例如Azure Cosmos DB、Data Catalog和Data Lake Analytics等。

2. 模型构建

机器学习是发展良好的学科，你可以通过研究和开发机器学习算法来发展自己的职业。

IT团队使用工程师提供的数据来构建模型，并创建软件以提出建议、预测价值和对条目进行分类。重要的是要了解机器学习技术的基础知识，即使很多模型构建过程都是在云端自动完成。

作为模型构建者，你需要了解数据和业务目标。你需要构想解决方案来解决问题，并了解如何将其与现有系统集成。

现在市场上提供现成的产品，例如谷歌的Cloud AutoML，这套服务可以帮助你使用结构化数据以及图像、视频和自然语言来构建自定义模型，而无需对机器学习有太多的了解。而Azure在Visual Studio中提供ML.NET模型构建器，该模型构建器提供界面用于构建、训练和部署模型。Amazon SageMaker是另一项托管服务，用于在云端构建和部署机器学习模型。

这些工具可以选择算法，确定数据中哪些特征或属性最有价值，并使用称为超参数调整的过程优化模型。这些服务扩展了机器学习和AI策略的潜在用途。正如你不需要成为机械工程师就能驾驶汽车一样，你也不需要机器学习的研究生学位即可建立有效的模型。

3. 公平与偏差检测

算法做出的决策将直接且显着影响个人。例如，金融服务利用AI做出有关信贷的决策，这可能会无意中偏向特定人群。这不仅可能因拒绝信贷来伤害个人，而且还使金融机构面临违反《平等信贷机会法》等法规的风险。

这些看似艰巨的任务对于AI和机器学习模型是不可避免的事情。检测模型中的偏差可能需要精通的统计和机器学习技能，但与模型构建一样，某些繁重的工作可以由机器完成。

FairML是用于审核预测模型的开源工具，可帮助开发人员识别工作中的偏见。检测模型偏差的经验还可以帮助告知数据工程和模型构建过程。Google Cloud的公平性工具在市场上领先，其中包括What-If Tool、Fairness Indicators和Explainable AI服务。

4. 模型性能评估

模型构建过程的一部分是评估机器学习模型的性能。例如，分类分析是根据准确性、精确度和召回率进行评估。而回归模型（例如预测房屋出售价格的模型）通过测量其平均错误率进行评估。

现在表现良好的模型将来可能会表现不佳。这里问题不是，该模型会以某种方式被破坏，而是训练该模型数据会过时，而无法再反映未来世界的情况。即使没有突然的重大事件，也会发生数据漂移。重要的是评估模型并在生产中继续对其进行监视。

Amazon SageMaker、Azure Machine Learning Studio和Google Cloud AutoML等服务都包含模型性能评估工具。

5. 领域知识

领域知识并不是专门的机器学习技能，而是成功机器学习策略中最重要的部分之一。

每个行业都有自己的知识体系，因此需要对相关行业进行研究，尤其是在构建算法决策工具时。机器学习模型受限于用于训练它们的数据。而具有领域知识的人可以知道在哪里应用AI并评估其有效性。