Question

1. 技术债是一个有用的比喻，但不幸的是，它没有提供可以随时间跟踪的严格指标。我们如何衡量系统中的技术债，或者评估这种债务的全部成本？仅仅注意到 “一个团队仍然能够快速行动move quickly ” ，这件事本身并不是低债务或良好实践的证据，因为债务的全部成本只有在随着时间的推移才会变得明显。

   事实上，快速行动通常都会带来技术债务。一些需要考虑的有用问题是：

   • 一种全新的算法方法可以多容易地全面full scale 测试？
   • 所有数据依赖的传递闭包transitive closure 是什么？
   • 新变更new change 对系统的影响可以精确到什么程度？
   • 改进一个模型或信号会降低其它模型或信号的质量吗？
   • 团队的新成员能多快上手？

   我们希望本文有助于鼓励可维护机器学习领域的进一步发展，包括更好的抽象、更好的测试方法、和更好的设计模式design patterns 。

   也许获得的最重要的洞察insight 是：技术债是工程师和研究人员都需要注意的问题。以大幅度增加系统复杂性为代价，从而提供微弱tiny 的准确性收益的解决方案不是明智的做法。即使添加一两个看似无害的数据依赖也会减缓进一步的进度。

   偿还机器学习相关的技术债需要做出具体的承诺，这通常只能依靠团队文化的转变来实现。认识到recognizing、优先考虑prioritizing、以及奖励rewarding 这方面的努力对于成功的机器学习团队的长期健康是非常重要的。