#303 | System architecture for machine learning

Манай энэ удаагийн дугаарт Google компанид Staff Software Engineer-р ажилладаг Б. Баттулга оролцон сонирхолтой яриа бидэнтэй өрнүүллээ. Түүний ярианаас товчхон хүргэхэд: - ✅Одоогийн байдлаар Google-n RankBrain хэмээх machine learning-д суурилсан хайлтын engine дээр, infrastructure тал дээр нь ажилладаг - ✅Шинээр гарч байгаа стартапуудын гаргадаг нэг том алдаа нь маш сайн хийгдсэн инженерчлэл, мэдлэг дээр суурилхаас илүү нэг санаа гаргаад тэрийгээ зах зээл дээр туршихад илүү анхаардаг - ✅Нэгэнт зах зээл дээр байр сууриа олчихсон загварыг дууриалгахаас илүү ирээдүйд эрэлт нь ихсэх, инженерчлэл нь хараахан бэлэн болоогүй байгаа санааг амдаж олох нь илүү чухал - ✅Youtube channel: https://www.youtube.com/channel/UCFk70qL0EAzrGWSHfLlZwZQ - ✅Хэрэглэгчид шууд хүрдэг төсөл нь түлхүү хэрэглэгчийн юу хүсэж байгаад төвлөрдөг бол Infrastructure баг нь бусад багуудыг өөрсдийн хэрэглэгч гэж хардаг ба багийн гишүүд илүү тогтвортой, удаан хугацааг өнгөрүүлдэг - ✅Системийн загвар гаргахдаа бүрдүүлж байгаа сервис/бүрэлдэхүүн бүр нь өөр өөрсдийн гэсэн дан ганц зорилготой, тэрхүү зааг нь маш тодорхой байх хэрэгтэй. Separation of Concern: Do one thing, do it best! - ✅Machine Learning-с өмнө Scalability буюу системийн уян хатан байдалд илүү төвлөрдөг байсан - ✅100 PB өгөгдөл дээр neural network training хийхэд нэг удаадаа 1TB парамер бүхий файлыг өөрчилж байна - ✅Machine Learning нийтээрээ хэрэглэж эхлээд удаагүй байгаа тул бүх л том компаниуд ижилхэн асуудалтай, ижил шатан дээрээ явж байгаа - ✅Хийж байгаа ажил чинь гарт чинь ороод, дадаад ирвэл асуудал бишдэж байна гэсэн үг гэж боддог. Энэ үед дараагийн шатны, илүү хүнд, ярвигтай гэсэн ажил руу орох хэрэгтэй - ✅Хийж байгаа ажлаас чинь хамаараад тэр болгон шинээр систем архитектур гаргах боломжгүй бол одоо байгаа системд чинь нэмж хөгжүүлэхэд төвөгтэй, ойлгомжгүй болохоор хүмүүс хүрэхээс зүрхшээдэг хэсгийг шинээр хөгжүүлэх нь том боломж бөгөөд тэрийг харж чаддаг инженерүүд хурдан дэвшдэг.