تطوير التعلم الآلي الناجح يتطلب نمطًا جديدًا – قادة الفكر

بواسطة فيكتور ثو، رئيس Datatron

لا يمكن التعامل مع المبادرات التي تستخدم التعلم الآلي بنفس الطريقة التي تتعامل بها مع المشاريع التي تتضمن البرمجيات التقليدية. من الضروري التحرك بسرعة حتى تتمكن من اختبار الأشياء وتصحيح المشكلات واختبارها مرة أخرى. بعبارة أخرى، يجب أن تتمكن من الفشل بسرعة – وفعل ذلك في وقت مبكر من العملية. يمكن أن يؤدي الانتظار حتى وقت لاحق في هذه العملية لتحديد المشكلات إلى أن يكون مكلفًا ومستهلكًا للوقت.

التعلم الآلي يتطلب نهجًا جديدًا

عند تطوير البرمجيات باستخدام الطريقة التقليدية، تستخدم منطق القرار. لتكون دقيقًا قدر الإمكان، تدمج المنطق الذي يسمح للبرمجيات بالعمل بشكل صحيح. عادةً لا يوجد حاجة للتغييرات بعد تطوير منطق التطبيق، باستثناء إصلاح الأعطال. إنه عملية تطوير منهجية؛ تتقدم تدريجيًا من خلال التأكد من أن كل خطوة في العملية دقيقة قبل الانتقال إلى الخطوة التالية. إنها استراتيجية مجربة أثبتت فعاليتها باستمرار لتطوير البرمجيات.

然而، لا يمكن استخدام نفس الاستراتيجية للمشاريع التي تستخدم التعلم الآلي / التعلم الآلي لأنها ببساطة لن تعمل. بدلاً من ذلك، تحتاج إلى القدرة على التكرار بسرعة وتكرارًا لتحقيق النجاح في مشروع التعلم الآلي. منذ أن يتطلب التعلم الآلي التدريب الأولي وهو عملية، يجب أن تتعامل معه مع العلم أنه لن يكون دقيقًا في المرة الأولى التي يتم نشره فيها.

تتطلب هذه العملية تكرارًا متعددًا. الواقع هو أن نموذجك الأول سيواجه نتائج غير متوقعة 99٪ من الوقت. حتى لو قمت بإنفاق أشهر في تدريب نموذجك في المختبر، فإنه سيتغير بالتأكيد عندما يواجه بيانات العالم الحقيقي وحركة المرور.

لا تهدف إلى الكمال الفوري

لذلك، من أجل اختبار نموذج و تحديد التعديلات المطلوبة، يجب أن تتمكن من وضعها في الإنتاج بسرعة. يمكنك بعد ذلك إجراء أي تعديلات، وإطلاقها مرة أخرى وتنقيحها. لهذا السبب، لا يجب أن تضع الكثير من الجهد في محاولة جعل نموذجك مثاليًا قبل اختباره في الإنتاج؛ لن يكون المحاولة الأولى مثالية، ولا يجب على أحد أن يتوقع ذلك.

بينما يتم تطوير النموذج في المختبر، قد لا تكون التحسينات الإضافية من 92٪ إلى 95٪ دقيقة للغاية لبعض الحالات. لماذا؟ فقط جزء صغير من بيانات التدريب تم استخدامها لتدريب نموذجك للتعلم الآلي. يمكنك أن تنتهي بإنفاق الكثير من الوقت والمال للحصول على القليل من الدقة الإضافية بينما تتخلى عن الفوائد التي قد يقدمها نموذجك لك في غضون ذلك.

خطوات فعالة في توزيع التعلم الآلي

نظرًا لاحتمال فشل النموذج أو إنتاج تنبؤات خاطئة، فإن علماء التعلم الآلي đôiًا ما يتحمسون لطرح نموذج في الإنتاج. هذا يبدو معقولًا إلى حد ما. تحتاج إلى نظام يسمح لك بمشاهدة الأحداث كما هي تحدث في الوقت الفعلي. مع هذا النهج، يمكنك سحب وتحديث نموذجك على الفور، ثم إطلاق نموذج جديد بسرعة. بدلاً من أن تقع في حيرة التحليل، هذه هي الطريقة الأكثر كفاءة لطرح نماذج التعلم الآلي في الإنتاج.

من الأفضل بكثير أن تطلق النموذج وتركه يكتسب بعض الخبرة. هذا لا يزيل الحاجة للمحللين لإنشاء النموذج بدقة قدر الإمكان من البداية. لكن بمجرد انتهائك من الإصدار الأول، يجب أن تبدأ في جمع تلك البيانات المهمة على الفور.

قد ترغب في تشغيل نماذجك في режим الاختبار أ أو ظل ضد بيانات العالم الحقيقي كجزء من هذه العملية. بهذه الطريقة، يمكنك بالتالي مقارنة أداء النماذج المختلفة ولديك الكثير من البيانات والأدلة قبل اختيار النموذج الذي ترون له أو تنقيطه.

بناء نموذج محلي بدلاً من التركيز على إنشاء نموذج عالمي واحد لتنبؤ السلوك للمحيط الكبير هو سلوك آخر جيد. مع نموذج محلي، يمكنك استخدام بيانات من حالات محددة بحيث يتصرف النموذج كما هو متوقع لكل من تلك الحالات. هذا يوفر الوقت والبيانات والجهد مقارنة بنموذج شامل يحتاج إلى كمية كبيرة من هذه الموارد لضمان عمله.

تحديد الطلب على الأحذية الرياضية المخصصة سيكون مثالًا هنا. قد يكون النموذج العالمي صالحًا لبقية أمريكا الشمالية إذا كان основًا على سكان مدينة نيويورك. ومع ذلك، فمن المحتمل أن لا ي代表 بدقة الطلب في أجزاء أخرى من البلاد. سيكون سلوك النموذج المحلي قد سمح لك بتحقيق هامش ربح أعلى، وهو ما تتخلى عنه الآن.

تتطلب النماذج تحديثًا منتظمًا، بالطبع. تتطلب النماذج تحديثات مستمرة لأن بيانات البيئة تتغير دائمًا، على عكس البرمجيات التقليدية التي يمكن تعيينها مرة واحدة وتركها. تتحول نماذج التعلم الآلي مع مرور الوقت إذا لم يتم تكرارها بانتظام. يجب أن يحدث هذا خلال فترة حياة النموذج ويجب مراقبته بعناية.

نمط التعلم الآلي الجديد

من غير الحكمة مقارنة نماذج التعلم الآلي بالبرمجيات التقليدية. ومع ذلك، يستفيد خبراء التعلم الآلي من تقنية التوزيع السريع لنماذج التعلم الآلي / التعلم الآلي، تمامًا كما فعل مهندسو البرمجيات مع DevOps.对于 مشاريع التعلم الآلي، تحتاج إلى نظام يسمح لك بطرح نماذج بسرعة. يجب أن تتمكن من مقارنة نماذج مختلفة، ومقارنة نموذج يعمل بنموذج لا يعمل. هذه والممارسات الجيدة المذكورة أعلاه ستساعدك على تجاوز حيرة التحليل والفشل بسرعة في وقت مبكر حتى تتمكن من توسيع نطاق التعلم الآلي.