Vorhandene vs. benutzerdefinierte Machine-Learning-Modelle?

Wann ist das Erstellen besser als das Kaufen einer vorhandenen Lösung?

Unternehmen können unterschiedliche Ansätze für die Modellentwicklung verfolgen. Von vollständig verwalteten ML-Diensten bis hin zu benutzerdefinierten Modellen. Abhängig von den Geschäftsanforderungen, der verfügbaren Expertise und den Planungsbeschränkungen müssen sie eine Entscheidung treffen: Sollen sie benutzerdefinierte Lösungen von Grund auf entwickeln? Oder sollen sie eine vorhandene Dienstleistung wählen?

Bei allen Stadien der ML-Arbeit müssen Entscheidungen getroffen werden, wie die verschiedenen Puzzleteile zusammenpassen. Von der Datenerfassung, -vorbereitung und -visualisierung bis hin zur Feature-Engineering, Modelltraining und -bewertung fragen sich Machine-Learning-Ingenieure immer wieder dieselbe Frage: Wird es eine benutzerdefinierte, von Grund auf entwickelte Lösung sein? Oder wird es eine vorhandene Dienstleistung sein?

Aber wann ist das Erstellen besser als das Kaufen einer vorhandenen Lösung? Die wichtigsten Unterschiede zwischen den beiden Ansätzen sind: Vorbereitungsanstrengungen, Entwicklungszeit und erforderliche Expertise.

Was ist zu beachten, wenn man entscheidet, ob man vorhandene oder benutzerdefinierte Machine-Learning-Modelle verwendet?

Vorbereitungsanstrengungen

ML-Projekte stehen vor verschiedenen Herausforderungen, aber vielleicht die größte Herausforderung ist die Verfügbarkeit von Trainingsdaten. Der Mangel an Trainingsdaten kann ein Projekt stoppen, bevor es überhaupt beginnt. Bevor ein Projekt beginnt, kann es bereits erhebliche Vorbereitungskosten für die Datenerfassung, -etikettierung, -reinigung und -vorbereitung haben. Dies ist die bekannte Falle, in der viele ML-Projekte scheitern: Die Vorbereitung verbraucht 80% der zugewiesenen Ressourcen, während nur wenige Ressourcen für das tatsächliche Modelltraining und die Bewertung übrig bleiben.

Vorhandene Lösungen lindern die Belastungen und Schmerzen der Vorbereitungsanstrengungen. Sie sind so konzipiert, dass sie die meisten gängigen Operationen mit nur wenig Konfiguration durchführen. Das Beste daran ist: Vorhandene Lösungen existieren für alle Stadien der ML-Arbeit.

Andererseits erfordern benutzerdefinierte Implementierungen in der Regel mehr Vorbereitungsanstrengungen. Das bedeutet jedoch nicht, dass sie vollständig abgelehnt werden müssen: Sie sind immer noch erforderlich, um ein bestimmtes ML-Stadium auf die Spezifika des zu lösenden Problems abzustimmen. Ein besonders schmutziges Datenset kann spezielle Reinigungsregeln erfordern. Gleichzeitig kann ein bestimmtes Feature-Set benutzerdefiniertes Feature-Engineering erfordern, während neuronale Architekturen leichte Anpassungen erfordern können. In diesem Fall sind benutzerdefinierte Lösungen, die von Grund auf entwickelt werden, wahrscheinlich in der Lage, alle Anforderungen abzudecken.

Entwicklungszeit

Vorhandene Lösungen konzentrieren sich auf die Konfiguration anstelle der Implementierung. Anstatt Ressourcen für die Klärung zu verwenden, was getan werden soll, konzentrieren sich ML-Teams auf wie die verschiedenen Puzzleteile zusammenpassen. Dieser Ansatz ermöglicht es Unternehmen, Forschern und Ingenieuren, schnell Prototypen und Beweise der Konzeption zu implementieren. Anstatt das Rad neu zu erfinden, ermöglichen vorhandene Lösungen es, vorhandenes Wissen zu nutzen und so die Entwicklungszeit zu sparen.

Benutzerdefinierte Lösungen, die von Grund auf implementiert werden, sind bekanntermaßen langsamer in Bezug auf die Entwicklungszeit. Dies liegt an ihren erhöhten Wartungsanforderungen: Ingenieure müssen sowohl das was als auch das wie der Lösung herausfinden. Ebenso sind die erforderlichen Zeitressourcen direkt proportional zur Komplexität der Lösung: Je komplexer die Lösung, desto mehr Zeit wird sie erfordern.

Normalerweise jedoch liegt die Wahrheit irgendwo dazwischen: Ein vorhandener Codebasis wird refaktorisiert und an die Bedürfnisse des aktuellen Projekts angepasst. Ein solches Beispiel ist der bekannte Transfer-Learning-Ansatz für das Modelltraining.

Expertise

Genau wie es mehrere Ebenen gibt, auf denen Machine Learning durchgeführt wird, gibt es mehrere Ebenen der Expertise, auf denen ML-Modelle entwickelt werden können, von codefreien Schnittstellen bis hin zum Aufbau von Modellen von Grund auf.

Vorhandene Lösungen existieren, für die nur sehr wenig Machine-Learning-Expertise erforderlich ist. Durch die Verwendung intuitiver Schnittstellen und sogar Drag-and-Drop-Ansätzen ist es extrem einfach geworden, für jeden (von Business-Analysten bis hin zu Software-Ingenieuren) ein bestimmtes Machine-Learning-Modell zu erstellen und zu bereitstellen. Obwohl dieser einfache Ansatz für die Modellentwicklung für Prototyping-Zwecke funktionieren kann, ist es unwahrscheinlich, dass er die Anforderungen von Produktions-systemen erfüllt.

Expertise ist immer noch erforderlich, um vorhandene Lösungen ordnungsgemäß zu konfigurieren, einzurichten und in der Produktion zu warten. Workarounds, Code-Patches, die Verbindung zu verschiedenen API-Schnittstellen und die Bewältigung von Bereitstellungsproblemen sind gängige Aufgaben, die erforderlich sind, um die Leistung von Modellen in Produktionsumgebungen sicherzustellen.

Benutzerdefinierte Lösungen werden in der Regel auf einer infrastrukturellen Ebene implementiert und es gibt keinen Weg darum herum: Expertise ist definitiv erforderlich. Abhängig von der Unternehmensgröße und den Projektzielen können multidisziplinäre Teams erforderlich sein, um Produktions-systeme zu warten. Data Scientists, ML-Ingenieure und Business-Analysten arbeiten zusammen, um die Inferenzergebnisse zu verstehen und Produktionsmodelle zu warten.

Was sollten Sie verwenden: eine vorhandene oder eine benutzerdefinierte Machine-Learning-Lösung?

Eine ML-Lösung wird aus vielen einzelnen Komponenten und Diensten bestehen, die zusammen als kohärente Lösung kombiniert werden müssen. Es geht nie darum, 100% benutzerdefiniert oder 100% vorhanden zu sein, da verschiedene Geschäftsprobleme unterschiedliche Lösungen erfordern. Häufiger als nicht werden ML-basierte Lösungen durch eine Kombination aus beiden erstellt: Vorhandene Dienste, um allgemeine Erkenntnisse zu gewinnen, kombiniert mit benutzerdefinierten Modellen für erhöhte Genauigkeit und die Modellierung von domänen-spezifischem Wissen.

Der Trick besteht darin, zu wissen, wann man benutzerdefinierte Lösungen von Grund auf implementieren sollte und welche Teile des Projekts die Vorteile von vorhandenen Diensten nutzen können. Dies hängt stark vom Typ des zu lösenden Problems, den Geschäftsanforderungen, den verfügbaren Daten und den Gesamtbegrenzungen der Entwicklungsumgebung ab.

Für weitere Informationen zu AI und Technologie-Trends besuchen Sie Josh Miramant, CEO von Blue Orange Digital, für datengetriebene Lösungen für Lieferketten, Gesundheitsdokumenten-Automatisierung und mehr.

Sie könnten auch interessiert sein:

Verwenden Sie NLP, um Kommentare in sozialen Medien zu klassifizieren

Wie die Sprachverarbeitung durch Googles Open-Source-BERT-Modell verbessert wird