Off-the-shelf εναντίον Custom Machine Learning Models;

Πότε είναι καλύτερο το να χτίζουμε παρά το να αγοράζουμε μια λύση off-the-shelf;

Οι εταιρείες μπορούν να συμμετέχουν σε διαφορετικές προσεγγίσεις για την ανάπτυξη μοντέλων. Από πλήρως διαχειριζόμενες υπηρεσίες ML, μέχρι και προσαρμοσμένα μοντέλα. Ανάλογα με τις επιχειρηματικές απαιτήσεις, την διαθέσιμη εξειδίκευση και τους περιορισμούς σχεδιασμού, πρέπει να λάβουν μια απόφαση: πρέπει να αναπτύξουν προσαρμοσμένες λύσεις από την αρχή; Ή πρέπει να επιλέξουν μια λύση off-the-shelf;

Για όλα τα στάδια των ML εργασιών, πρέπει να ληφθεί μια απόφαση σχετικά με το πώς τα διαφορετικά κομμάτια του παζλ θα συνδυαστούν. Από τη συλλογή δεδομένων, την προετοιμασία και την οπτικοποίηση, μέχρι την ανάπτυξη χαρακτηριστικών, την εκπαίδευση μοντέλων και την αξιολόγηση, οι μηχανικοί μηχανικής μάθησης επαναλαμβάνουν τον ίδιο εαυτό τους την ίδια ερώτηση: Θα είναι μια προσαρμοσμένη λύση, γραμμένη και αναπτυγμένη από την αρχή; Ή θα είναι μια λύση off-the-shelf;

Αλλά πότε είναι καλύτερο το να χτίζουμε παρά το να αγοράζουμε μια λύση off-the-shelf; Οι κύριες διαφορετικές παράμετροι μεταξύ των δύο προσεγγίσεων: οι προσπάθειες προετοιμασίας, η ταχύτητα ανάπτυξης και η απαιτούμενη εξειδίκευση.

Πράγματα που πρέπει να λάβουμε υπόψη όταν καθορίζουμε να χρησιμοποιήσουμε off-the-shelf ή προσαρμοσμένα μοντέλα μηχανικής μάθησης;

Προετοιμασία

Τα projεκτ ML αντιμετωπίζουν κάθε είδους προκλήσεις, αλλά ίσως η μεγαλύτερη πρόκληση είναι η διαθεσιμότητα των δεδομένων εκπαίδευσης. Η έλλειψη δεδομένων εκπαίδευσης μπορεί να σταματήσει ένα project πριν ακόμη ξεκινήσει. Πριν ακόμη ξεκινήσει, μπορεί να αντιμετωπίσει σημαντικούς προετοιμαστικούς κόστους από τη συλλογή δεδομένων, την επισήμανση δεδομένων, τον καθαρισμό και τις προσπάθειες προετοιμασίας. Αυτό είναι το γνωστό πεδίο στο οποίο πολλά projεκτ ML αποτυχούν: η προετοιμασία καταλήγει να καταλαμβάνει το 80% των πόρων που έχουν ανατεθεί, ενώ λίγοι πόροι μένουν για την πραγματική εκπαίδευση και αξιολόγηση του μοντέλου.

Οι λύσεις off-the-shelf ανακουφίζουν τις δυσκολίες και τους πόνους των προσπαθειών προετοιμασίας. Είναι κατασκευασμένες για να εκτελούν τις πιο κοινές λειτουργίες με μόνο μια μικρή διαμόρφωση. Το καλύτερο σε αυτές είναι: οι λύσεις off-the-shelf υπάρχουν για όλα τα στάδια των ML εργασιών.

Από την άλλη πλευρά, οι προσαρμοσμένες λύσεις συνήθως απαιτούν περισσότερες προσπάθειες προετοιμασίας. Αυτό δεν σημαίνει ότι πρέπει να απορριφθούν εντελώς: είναι ακόμη απαραίτητες για να ρυθμίσουν ένα συγκεκριμένο στάδιο ML στις ιδιαίτερες λεπτομέρειες του προβλήματος που λύνεται. Ένα ιδιαίτερα βρώμικο σύνολο δεδομένων μπορεί να απαιτήσει κάποιους ειδικούς κανόνες καθαρισμού. Ταυτόχρονα, ένα συγκεκριμένο σύνολο χαρακτηριστικών μπορεί να απαιτήσει προσαρμοσμένη ανάπτυξη χαρακτηριστικών, όπως και οι νευρωνικές αρχιτεκτονικές μπορεί να απαιτήσουν ελαφριές điều chỉnh. Σε αυτή την περίπτωση, οι προσαρμοσμένες λύσεις που κατασκευάζονται από την αρχή είναι πιθανό να καλύψουν όλες τις ανάγκες.

Ταχύτητα ανάπτυξης

Οι λύσεις off-the-shelf εστιάζουν στη διαμόρφωση παρά στην υλοποίηση. Αντί να διαθέτουν πόρους για να κατανοήσουν τι πρέπει να γίνει, οι ομάδες ML θα εστιάσουν στο πώς τα διαφορετικά κομμάτια του παζλ θα συνδυαστούν. Αυτή η προσέγγιση επιτρέπει στις εταιρείες, τους ερευνητές και τους μηχανικούς να υλοποιήσουν γρήγορα протότυπα και αποδείξεις концепτού. Αντί να ξαναεφεύρουν το τροχό, οι λύσεις off-the-shelf κάνουν δυνατή την αξιοποίηση της υπάρχουσας γνώσης, εξοικονομώντας έτσι χρόνο ανάπτυξης.

Οι προσαρμοσμένες λύσεις που υλοποιούνται από την αρχή είναι γνωστές για το ότι είναι πολύ πιο αργές σε σχέση με την ταχύτητα ανάπτυξης. Αυτό οφείλεται στις αυξημένες ανάγκες συντήρησης: οι μηχανικοί πρέπει να κατανοήσουν και το τι και το πώς της λύσης. Παρόμοια, όσο πιο σύνθετη είναι η λύση, τόσο περισσότερος χρόνος απαιτείται για να διασφαλιστεί η κλιμάκωση και η διαθεσιμότητα κατά την παραγωγή. Από αυτή την οπτική, οι προσαρμοσμένες λύσεις και οι χρόνοι προσπάθειας είναι άμεσα ανάλογοι: όσο πιο σύνθετη είναι μια λύση, τόσο περισσότερος χρόνος θα απαιτήσει.

Συνήθως, ωστόσο, η αλήθεια βρίσκεται κάπου στο μέσο: μια υπάρχουσα βάση κώδικα θα αναδιαμορφωθεί και θα προσαρμοστεί στις ανάγκες του τρέχοντος project. Έτσι είναι η περίπτωση της γνωστής προσέγγισης μεταφοράς μάθησης για την εκπαίδευση μοντέλων.

Εξειδίκευση

Όπως υπάρχουν πολλαπλά επίπεδα στα οποία γίνεται η Μηχανική Μάθηση, υπάρχουν πολλαπλά επίπεδα εξειδίκευσης στα οποία μπορούν να αναπτυχθούν μοντέλα ML, που κυμαίνονται από διασυνδέσεις χωρίς κώδικα μέχρι και την κατασκευή μοντέλων από την αρχή.

Οι λύσεις off-the-shelf υπάρχουν για τις οποίες απαιτείται πολύ μικρή εξειδίκευση ML. Χρησιμοποιώντας εύχρηστες διεπαφές και ακόμη και προσεγγίσεις drag and drop, έχει γίνει εξαιρετικά απλό για οποιονδήποτε (από αναλυτές επιχειρήσεων μέχρι μηχανικούς λογισμικού) να κατασκευάσει και να αναπτύξει κάποιο είδος μοντέλου μηχανικής μάθησης. Ενώ αυτή η απλή προσέγγιση στην ανάπτυξη μοντέλων μπορεί να λειτουργήσει για σκοπούς προτύπου, είναι απίθανο να ικανοποιήσει τις απαιτήσεις των συστημάτων παραγωγής.

Εξειδίκευση εξακολουθεί να απαιτείται για να ρυθμίσει σωστά, να εγκαταστήσει και να συντηρήσει τις λύσεις off-the-shelf σε περιβάλλοντα παραγωγής. Λύσεις, κώδικες-παράκαμψης, σύνδεση σε διαφορετικές διεπαφές API και αντιμετώπιση προβλημάτων αναπτύξεως είναι κοινές εργασίες που απαιτούνται για να διασφαλιστεί η απόδοση των μοντέλων σε περιβάλλοντα παραγωγής.

Οι προσαρμοσμένες λύσεις είναι συνήθως υλοποιημένες σε επίπεδο υποδομής και δεν υπάρχει τρόπος να γίνει αλλιώς: εξειδίκευση είναι σίγουρα απαραίτητη. Ανάλογα με το μέγεθος της εταιρείας και τους στόχους του project, μπορεί να απαιτούνται διεπιστημονικές ομάδες για τη συντήρηση των συστημάτων παραγωγής. Οι επιστήμονες δεδομένων, οι μηχανικοί ML και οι αναλυτές επιχειρήσεων έρχονται μαζί για να κατανοήσουν τα αποτελέσματα της εύρεσης και να συντηρήσουν τα μοντέλα παραγωγής.

Τι πρέπει να χρησιμοποιήσετε: μια λύση off-the-shelf ή ένα προσαρμοσμένο μοντέλο μηχανικής μάθησης;

Μια λύση ML θα κατασκευαστεί από πολλά ατομικά компонента και υπηρεσίες που πρέπει να έρθουν μαζί ως μια συνεκτική λύση. Δεν είναι ποτέ για να πάνε 100% προσαρμοσμένα ή να πάνε 100% off-the-shelf,既然 διαφορετικά επιχειρηματικά προβλήματα απαιτούν διαφορετικές λύσεις. Περισσότερες φορές από όχι, οι λύσεις ML κατασκευάζονται από ένα μείγμα των δύο: λύσεις off-the-shelf για να εξαγάγουν γενικές ενημερώσεις, σε συνδυασμό με προσαρμοσμένα μοντέλα για αυξημένη ακρίβεια και μοντελοποίηση γνώσεων ειδικού τομέα.

Το κόλπο είναι να γνωρίζουμε πότε να υλοποιήσουμε προσαρμοσμένες λύσεις από την αρχή και ποια μέρη του project μπορούν να επωφεληθούν από τα οφέλη των λύσεων off-the-shelf. Αυτό εξαρτάται σε μεγάλο βαθμό από το είδος του προβλήματος που αντιμετωπίζεται, τις επιχειρηματικές απαιτήσεις, τα διαθέσιμα δεδομένα και τους γενικούς περιορισμούς του περιβάλλοντος ανάπτυξης.

Για περισσότερα για την τεχνητή νοημοσύνη και τις τεχνολογικές τάσεις, δείτε Josh Miramant, CEO της Blue Orange Digital για τις δεδομένα-κίνητες λύσεις για Συστήματα Εφοδιασμού, Αυτοματοποίηση Ιατρικών Εγγράφων, και άλλα.

Μπορείτε επίσης να σας αρέσει:

Χρησιμοποιήστε NLP για να ταξινομήσετε σχόλια στα κοινωνικά μέσα

Πώς η επεξεργασία γλώσσας ενισχύεται μέσω του ανοιχτού κώδικα BERT του Google (GOOGL )