Úspěšný vývoj strojového učení vyžaduje nový přístup – Thought Leaders

Od Victora Thu, prezidenta, Datatron

Initiativy, které využívají strojové učení, nelze řešit stejným způsobem jako projekty, které zahrnují konvenční software. Je zapotřebí postupovat rychle, aby bylo možné testovat, opravovat problémy a testovat znovu. Jinými slovy, musíte být schopni selhat rychle – a to brzy v procesu. Čekání na pozdější fázi procesu, aby se objevily problémy, může být velmi nákladné a časově náročné.

Strojové učení vyžaduje nový přístup

Při vývoji softwaru pomocí tradiční metody se používá logika rozhodnutí. Abyste byli co nejpřesnější, začleňujete logiku, která umožňuje softwaru fungovat správně. Obvykle není potřeba žádné změny po dokončení logiky aplikace, kromě oprav chyb. Je to velmi metodický vývojový proces; postupujete postupně, přičemž zajistíte, že každý krok v procesu je přesný, než přejdete k dalšímu. Je to osvědčená strategie, která prokázala svou účinnost pro vývoj softwaru.

Jednak nelze použít stejnou strategii pro projekty AI/ML, protože jednoduše nefunguje. Místo toho musíte mít kapacitu iterovat rychle a často, aby jste dosáhli úspěchu s projektem ML. Jelikož ML vyžaduje počáteční školení a je procesem, měli byste ho řešit s vědomím, že nebude přesný při prvním nasazení.

Tento proces vyžaduje několik iterací. Realitou je, že váš první model bude mít neočekávané výsledky 99 % času. I když strávíte měsíce školením svého modelu v laboratoři, určitě se změní, jakmile se setká s reálnými daty a provozem.

Nesnažte se o okamžitou dokonalost

Proto, aby jste mohli otestovat model a určit, jaké úpravy jsou vyžadovány, musíte být schopni ho rychle nasadit do produkce. Pak můžete provést úpravy, znovu ho nasadit a vylepšit. Z tohoto důvodu byste neměli vkládat příliš mnoho úsilí do toho, abyste udělali svůj model dokonalým, než ho otestujete v produkci; první pokus nebude dokonalý a nikdo by se toho neměl domáhat.

Zatímco se model vyvíjí v laboratoři, další vylepšení z 92 % na 95 % přesnosti nemusí být významné pro některé použití. Proč? Pouze malá část trénovacích dat byla použita k trénování vašeho modelu AI. Můžete nakonec investovat spoustu času a peněz, aby jste získali ten další kousek přesnosti, zatímco upouštíte od výhod, které váš model může nabídnout, mezitím.

Účinné kroky při nasazení ML

Jelikož existuje šance, že model selže nebo poskytne nesprávné předpovědi, vědci z oblasti ML jsou někdy váhaví nasadit model do produkce. Je to pochopitelné, do jisté míry. Potřebujete systém, který vám umožňuje sledovat události v reálném čase. S tímto přístupem můžete okamžitě stáhnout a aktualizovat váš model a poté rychle nasadit nový model. Místo toho, abyste se zapletli do “analýzy paralýzy”, je to nejefektivnější způsob, jak nasadit modely strojového učení do produkce.

Je mnohem lepší prostě spustit model a nechat ho získat nějaké zkušenosti. To nevylučuje nutnost, aby datové vědci vytvořili model co nejpřesněji od začátku. Ale jakmile dokončíte tu počáteční verzi, měli byste okamžitě začít shromažďovat ta důležitá data.

Můžete chtít spustit své modely v režimu A/B testování nebo režimu stínování proti reálným datům jako součást tohoto procesu. Takže můžete基本ně porovnat výkony různých modelů a mít spoustu dat a důkazů, než se rozhodnete, který model povýšit nebo degradovat.

Ještě jednou osvědčenou praxí je sestavení lokalizovaného modelu místo soustředění na vytvoření jediného globálního modelu pro předpověď chování pro makroprostředí. S lokalizovaným modelem můžete použít data z konkrétních situací, aby model fungoval tak, jak má, pro každou z nich. To šetří čas, data a úsilí ve srovnání s modelem, který by vyžadoval大量 těchto zdrojů, aby fungoval.

Určení poptávky po přizpůsobených teniskách bude ilustrativním příkladem. Globální model by mohl být použitelný pro zbytek Severní Ameriky, pokud by byl založen na populaci New Yorku. Ale pravděpodobně by nepřesně reprezentoval poptávku v jiných částech země. Strategie lokalizovaného modelu by vám umožnila získat vyšší ziskové marže, o které jste nyní ochuzeni.

Modely vyžadují pravidelné aktualizace, samozřejmě. Modely vyžadují neustálé aktualizace, protože data prostředí se vždy mění, na rozdíl od tradičního softwaru, který lze nastavit jednou a nechat být. Modely ML se zhoršují, pokud nejsou pravidelně aktualizovány. To musí probíhat po celou dobu životnosti modelu a musí být pečlivě sledováno.

Nový paradigm strojového učení

Porovnávat modely strojového učení s tradičním softwarem není moudré. Ale odborníci z oblasti ML získávají z rychlého nasazení technik pro modely AI/ML, stejně jako softwaroví inženýři s DevOps. Pro projekty ML potřebujete systém, který umožňuje rychlé nasazení modelů. Musíte být schopni porovnat různé modely, efektivní kontrast jednoho, který je živý, s tím, který není. Tyto a další osvědčené postupy uvedené výše vám pomohou obejít analýzu paralýzy a selhat rychle a brzy, abyste mohli škálovat své strojové učení.