1.1.3 深度学习开发周期实例演练

通过举例，我们可以更具体地演示角色和过程。假设你的工作是构建一个客户支持系统，该系统可以自动回答关于公司产品线的问题。以下步骤将引导你完成将该产品推向市场的过程：

1）产品需求是构建一个客户支持应用程序，呈现一个菜单，以便客户浏览并找到常见问题的答案。随着问题数量的增加，菜单变得越来越大，导航的层次也越来越多。分析显示，许多客户对导航系统感到困惑，在寻找答案时放弃了导航菜单。

2）拥有该产品的产品经理（PM）着眼于提高用户的保留率和体验（快速找到答案）。在与客户进行一些研究后，PM发现大多数客户不想要复杂的菜单系统，最好能够通过使用自然语言直接提问来获取答案。

3）产品经理联系机器学习研究人员寻求潜在的解决方案，结果发现深度学习可能有所帮助。专家认为这种技术对于这种用例来说已经足够成熟，并根据深度学习模型提出了一些方案。

4）产品经理编写产品规范，指明应用程序应该一次接收一条来自客户的问题，从问题中识别意图，并为其匹配相关答案。

5）数据科学家收到产品需求并开始原型化符合需求的深度学习模型。首先，他们进行数据探索，收集可用的训练数据，并与研究人员协商算法选择。然后，数据科学家开始构建原型代码来生成实验性模型。最终，他们得到了一些数据集、几种训练算法和多个模型。经过仔细评估，从各种实验中选择了一个自然语言处理模型。

6）然后，产品经理组建了一个由平台工程师、MLOps工程师和数据工程师组成的团队，与数据科学家合作，将第5步中的原型代码引入生产环境。这项工作包括构建连续数据处理流水线与连续的模型训练、部署和评估流水线，以及设置模型服务功能。产品经理还指定了每秒的预测数量和所需的延迟时间。

7）生产设置完成后，应用程序工程师将客户支持服务的后端与模型服务功能（在第6步中构建）进行整合，这样当用户输入一个问题时，服务将根据模型的预测返回答案。产品经理还要定义产品指标，比如找到答案的平均时间，以评估最终结果，并用它来推动下一轮的改进。