昂楷数据安全综合治理平台助你联动联防知未然！

yTorch 和 TensorFlow 各自使用数占接收论文总数的比例如下图所示。可以看到 PyTorch 占比 20.52%，相较于 ICLR 2018 的 6.82%、ICLR 2019 的 14.14% 出现了持续上升；

与此同时，TensorFlow 占比仅为 8.88%，相较于 ICLR 2018 的 17.51%、ICLR 2019 的 11.16% 出现了持续下降。由此可见自 2019 年以来，PyTorch 和 TensorFlow 的使用情况发生了根本性变化。

 

自 2009 年深度学习再度成为焦点以来，很多机器学习框架成为研究者和业界开发者的新宠。从早期的学术框架 Caffe、Theano 到如今 Pytorch、TensorFlow 这样越来越大规模的开发框架。

发展到 2020 年，我们可以看到国内外越来越多的科技巨头、创业公司都在研发、使用自家的深度学习框架，如国内的也有百度飞桨、华为 MindSpore、旷视天元。

但不得不说，当前最为火热的开源框架，依然是谷歌的 TensorFlow 与 Facebook 手中的 PyTorch。两者之间的竞争，也是社区内津津乐道的话题。

在机器之心往期文章中，我们曾报道，虽然 2018 年 TensorFlow 依然碾压 PyTorch，但自 2019 年以来 PyTorch 的发展可谓是火力全开，特别是在学界，几乎是独领风骚。

这两年，我们从各类自然语言处理（NLP）、计算机视觉（CV）国际学术顶会接收论文中使用 PyTorch 和 TensorFlow 的占比情况，就可以发现这种趋势 。

最近，随着 ICLR 2020 和 CVPR 2020 会议的相继结束，前 PyTorch 实习生、一直致力于研究机器学习领域深度学习框架发展趋势的学者 Horace He 更新了 ICLR 2020 和 CVPR 2020 接收论文中 PyTorch 和 TensorFlow 的使用及相关占比，结果显示：在 ICLR 2020 和 CVPR 2020 会议中，使用 PyTorch 的论文数远超 TensorFlow，研究人员对 PyTorch 的偏爱程度进一步加深。


 

从长远来看，企业应该将数据治理和管理技能同时纳入其人才战略和劳动力计划当中。考虑到某些数据密集型岗位所需的专业知识以及合格人才的短缺，组织可以考虑寻求人才猎头公司的帮助，同时将内部精力集中在留住人才和提升技能上面。随着公司的战略目标和监管需求的变化，它们还应该在调整数据治理角色和所有权方面保持灵活性。

简化数据政策和程序

为了充分响应与消费者隐私相关的数据请求，组织应在数据生命周期中建立标准化的过程和策略。这将使公司能够充分了解他们收集、使用和共享的数据，以及这些实践与消费者的关系。

例如，CCPA为消费者提供了选择不将其个人信息出售给第三方的权利。如果零售商需要遵守此类要求，则需要能够回答以下类别的问题:

• 数据分类:公司拥有哪些与消费者相关的数据元素，如地址、信用卡信息或是产品偏好?公司是否对这些数据元素进行了适当的分类?
• 数据沿袭:客户的数据源于何处，在其整个生命周期中，这些数据会发生什么变化?例如，公司是否只在内部共享客户数据，还是与营销和支付供应商共享了数据，以促进交易或个性化的广告活动?
• 数据收集和可接受的使用:公司目前是如何从消费者那里收集数据的?公司收集和处理他们的数据是否得到了消费者的同意?如果公司与外部各方共享客户数据，是否有适当的数据共享协议?

为上述内容制定政策和标准可以帮助组织快速确定根据隐私法规来响应客户请求所需的措施。公司应该广泛地沟通政策，并确保政策能够得到遵守，因为不这样做可能会导致使用不一致的模板和做法。例如，在一个Metis Strategy客户中，很少有利益相关者对数据管理和访问标准有足够的认识，尽管客户的IT部门已经围绕这些标准制定了广泛的政策。

考虑技术和基础架构的升级

为了成功地实施数据治理框架并确保隐私遵从性，企业可能还需要解决遗留基础设施和技术债务所带来的挑战。例如，数据通常会存储在整个组织的信息孤岛中，这会使得组织很难正确识别任何数据隐私问题的来源，也很难及时响应消费者或监管机构的要求。


 

（编辑：平凉站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!