flâneur

Devops 中的 Overfitting | 卡瓦邦噶！

kawabangga.com · 101 words · saved by 1 readers

在运维工作中，很多人都在宣扬自动化，经过几年的工作，我发现这种自动化在某些地方有些极端了。devops 崇尚自动化，但并不是一味的自动化。有一些事情是适合手工操作的，过度的自动化会浪费跟多的成本，只能得到很少的收益。

Posted on 2020年12月23日 by laixintao 6 Comments 在运维工作中，很多人都在宣扬自动化，经过几年的工作，我发现这种自动化在某些地方有些极端了。devops 崇尚自动化，但并不是一味的自动化。有一些事情是适合手工操作的，过度的自动化会浪费跟多的成本，只能得到很少的收益。 就好像一台电梯，用古老的电梯算法运行了很久，但是有一天有人觉得这个电梯运载能力没有发挥到极致，我们可以使用机器学习训练他采用更好的算法。于是就需要更多的人力资源来实现这个项目：一个小组提供训练数据，一个小组来训练新的算法模型，设计一套硬件设施监控和对比运载效率，设计回归的方案评估运载效率的变化，等等…… 最终可能发现将原来两台电梯的运载能力变成了相当于2.5台的运载能力，但是这优化出来的0.5台电梯带来的问题有：1）某些情况下的表现可能还不如电梯算法 2）没有人知道现在电梯是怎么运行的了，因为这是机器学习训练出来的模型 3）复杂的算法从上线走向成熟需要持续的维护和优化，稳定性不如原来的电梯算法。等等。其结果还不如就再增加一台电梯。（当然，也可能因为当初楼里的设计结构不允许再增加电梯，软件工作中也有类似的问题。） 最近又看到一个例子： 牙膏厂生产流程会产出没放牙膏的空箱。厂长花8百万请专业顾问，用牛逼的秤测箱子重量，发现空箱就警报并停止流水线，员工手动除空箱。后来秤再也检测不到空

related reading