机器学习一直以来都显得相当复杂，不过最近情况开始有所好转。

作为一名Cortex项目的贡献者，我主要基于对一些机器学习团队的观察来进行以下总结，而非基于一项全面的行业研究。

让我们通过一个常见的软件工具——数据库作为类比。创建一个数据库对于不同的工程师来说可能意味着完全不同的事情。对某些人来说，它可能是数百行复杂的代码；而对另一些人来说，则可能只是一个简单的命令。这表明，工具的抽象层对不同的人有着不同的意义，也影响着他们的使用方式。

软件的发展历程证明，当基本的软件组件如数据库、Web服务器等变得足够抽象时，非专业人士也能轻松使用它们。然而，机器学习领域一直缺乏这样的抽象层，这也阻碍了其广泛应用。但现在，这种情况正在改变。一系列旨在简化机器学习使用的项目正在涌现。

1. 提供更友好的开发接口

要在实际应用中使用机器学习，通常需要具备以下条件： - 设计模型的专业知识 - 足够的数据 - 资金来训练模型 - 对机器学习基础设施的理解

这就导致了几乎所有使用机器学习的项目都需要多名专家共同参与。我们需要一种方法，让不具备机器学习背景的开发人员也能轻松使用机器学习。

幸运的是，这一愿景正在逐步实现。

2. 补充机器学习的抽象层

为了让更多人能使用机器学习，开发人员需要对其有一定的了解，并借助现有的抽象层来构建应用。许多重要的抽象层已经在研究中了，它们集中在几个关键领域。

首先，我们需要一种更简便的方式来训练模型。理想情况下，许多机器学习用例不需要从头开始训练模型。例如，如果你正在开发一个聊天机器人，Google的Meena可能比你自己训练的模型表现更好。同样，如果你在开发文本生成器，使用OpenAI的GPT-2会更加高效。通过迁移学习，你可以使用少量数据对这些现成的模型进行微调。

例如，使用gpt-2-simple这样的新库，你可以通过简单的命令行界面快速微调GPT-2： $ gpt_2_simple finetune your_custom_data.txt 这样，开发人员无需深入了解机器学习的细节，只需掌握如何微调即可。

此外，还有许多其他工具可以帮助开发人员更轻松地训练模型，例如Google Cloud AutoML提供的图形用户界面，允许用户上传数据集并自动生成模型，而无需编写代码。

3. 简化模型预测过程

假设你已经训练好了一个模型，接下来如何根据该模型生成预测呢？有许多工具可以提供模型服务功能，其中很多都与流行的机器学习框架相关联。例如，TensorFlow有TF Serving，而ONNX有ONNX Runtime。此外，还有一些独立的开源项目专注于解决这个问题，如Bert Extractive Summarizer，它简化了使用Google的BERT进行文本摘要的过程。

使用这些工具，开发人员可以通过简单的操作生成预测，而无需深入了解模型本身的细节。

4. 简化模型部署

最后一个挑战在于基础架构。对于小型项目来说，提供预测相对简单，但一旦需要大规模扩展，问题就会变得复杂。以GPT-2为例，它体积庞大且消耗大量资源，因此需要高性能的硬件和复杂的部署方案。

为了应对这种情况，你需要学会使用一系列工具，包括Docker进行容器化，Kubernetes进行容器编排，以及通过云平台配置自动扩展。这对大多数非专业人士来说是一项艰巨的任务。

5. 通过抽象简化机器学习基础架构

为了让开发人员更容易使用机器学习，需要对机器学习的基础架构进行抽象。Cortex就是一个这样的项目，它通过配置文件和命令行界面简化了模型部署的开发工作。

Cortex的目标很简单：将训练好的模型转换成任何开发人员都可以使用的预测API。这使得开发人员无需深入了解机器学习的技术细节，就能轻松使用ML。

总的来说，机器学习背后的数学原理仍然非常复杂，但通过简化应用型机器学习的流程，未来几乎所有的开发人员都将能够利用机器学习的强大功能。