比较难，原因如下
一、挑战
机器学习有一些独特的特性，使其大规模部署更加困难。这也正是我们当前正在处理的一些问题：
1、数据科学语言管理
如你所知，机器学习应用程序通常由不同编程语言编写的元素组成，而这些元素往往不能很好地进行交互。我总是能发现类似这样的情况：在一个机器学习应用的工作流程中，可能开始使用的是 R 语言，接着则转而使用 Python，最终又使用了另一种语言。
2、算力和 GPU
现代神经网络往往非常深，这意味着训练和使用它们进行推理需要耗费大量的算力。通常，我们希望我们的算法能够快速运行，而这对于很多用户来说这可能是一大障碍。
此外，现在许多生产环境下的机器学习系统都依赖于 GPU。然而，GPU 既稀缺又昂贵，这很容易使机器学习的大规模部署变得更加复杂。
3、可移植性
模型部署的另一个有趣的问题是缺乏可移植性。我注意到，这往往是历史遗留的分析系统所造成的问题。由于没有能力轻松地将软件组件移植到另一种主机环境下并在那里运行它，这种软件组合可能会被限制在一个特定的平台上。这回给数据科学家在创建和部署模型时设置障碍。
4、可扩展性
对于许多人工智能项目来说，可扩展性是一个很现实的问题。实际上，你需要确保你的模型能够进行扩展，并且满足生产中对性能和应用程序需求的增加。在项目的开始阶段，我们通常依赖于可管理规模的相对静态的数据。随着模型向生产环境不断变化，它通常需要面对更大量的数据和数据传输模式。你的团队将需要多种工具来监管并解决性能和可扩展性方面的挑战，随着时间的推移，这些挑战将会显现出来。
