Hidden Technical Debt in Machine Learning Systems
由Sculley等人于2015年发表的奠基性论文，系统揭示了机器学习系统中的工程债务，指出模型代码仅占ML系统一小部分，周边数据管道、特征工程、监控系统才是真正复杂度所在
核心事实
Google在论文《Hidden Technical Debt in Machine Learning Systems》中指出，真实ML系统中实际的ML代码只占整个系统的一小部分，周围环绕着大量的数据收集、特征提取、配置管理、服务基础设施和监控代码
谷歌2015年发表的论文《Hidden Technical Debt in Machine Learning Systems》揭示ML系统中真正的机器学习代码只占极小比例
根据Google的研究报告，一个生产级ML系统中真正的模型训练代码往往只占整体工程量的5%，其余95%都是支撑性的工程基础设施
时间轴 (近 90 天)
Google 论文《Hidden Technical Debt in Machine Learning Systems》指出真实 ML 系统中机器学习代码仅占系统的一小部分
据Google研究论文《Hidden Technical Debt in Machine Learning Systems》估计，早期项目中胶水代码和配置代码可能占总开发时间的40%-60%
Google在论文《Hidden Technical Debt in Machine Learning Systems》中指出，真实ML系统中实际的ML代码只占整个系统的一小部分，周围环绕着大量的数据收集、特征提取、配置管理、服务基础设施和监控代码
全部知识事实 (5)
Google在论文《Hidden Technical Debt in Machine Learning Systems》中指出，真实ML系统中实际的ML代码只占整个系统的一小部分，周围环绕着大量的数据收集、特征提取、配置管理、服务基础设施和监控代码
80%已验证谷歌2015年发表的论文《Hidden Technical Debt in Machine Learning Systems》揭示ML系统中真正的机器学习代码只占极小比例
80%已验证根据Google的研究报告，一个生产级ML系统中真正的模型训练代码往往只占整体工程量的5%，其余95%都是支撑性的工程基础设施
70%待验证Google 论文《Hidden Technical Debt in Machine Learning Systems》指出真实 ML 系统中机器学习代码仅占系统的一小部分
50%待验证据Google研究论文《Hidden Technical Debt in Machine Learning Systems》估计，早期项目中胶水代码和配置代码可能占总开发时间的40%-60%
50%