Η Επιτυχημένη Ανάπτυξη Μηχανικής Μάθησης Απαιτεί Một Νέο Παραδείγμα – Ηγέτες Σκέψης

Từ Victor Thu, πρόεδρος, Datatron

Οι πρωτοβουλίες που χρησιμοποιούν μηχανική μάθηση δεν μπορούν να αντιμετωπιστούν με τον ίδιο τρόπο όπως τα έργα που περιλαμβάνουν συμβατικό λογισμικό. Είναι απαραίτητο να κινηθούμε γρήγορα για να μπορέσουμε να δοκιμάσουμε πράγματα, να διορθώσουμε προβλήματα και να τα δοκιμάσουμε ξανά. Με άλλα λόγια, πρέπει να μπορούμε να αποτύχουμε γρήγορα – και να το κάνουμε νωρίς στη διαδικασία. Το να περιμένουμε μέχρι αργότερα στη διαδικασία για να βρούμε προβλήματα μπορεί να αποβεί πολύ δαπανηρό και χρονοβόρο.

Η Μηχανική Μάθηση Απαιτεί Μια Νέα Προσέγγιση

Όταν αναπτύσσετε λογισμικό χρησιμοποιώντας την παραδοσιακή μέθοδο, χρησιμοποιείτε λογική απόφασης. Για να είστε όσο πιο ακριβείς γίνεται, ενσωματώνετε λογική που επιτρέπει στο λογισμικό να λειτουργεί σωστά. Δεν υπάρχει (τυπικά) ανάγκη για αλλαγές μετά την ανάπτυξη της λογικής της εφαρμογής, εκτός από διορθώσεις σφαλμάτων. Είναι μια πολύ μεθοδική διαδικασία ανάπτυξης· προχωράτε σταδιακά βεβαιωμένοι ότι κάθε βήμα στη διαδικασία είναι ακριβές πριν προχωρήσετε στο επόμενο. Είναι μια δοκιμασμένη και αληθινή στρατηγική που έχει αποδείξει συνεχώς την αποτελεσματικότητά της για την ανάπτυξη λογισμικού.

Ωστόσο, δεν μπορείτε να χρησιμοποιήσετε την ίδια στρατηγική για έργα AI/ML επειδή απλά δεν θα δουλέψει. Αντίθετα, πρέπει να έχετε τη δυνατότητα να επαναλαμβάνετε γρήγορα και συχνά για να βρείτε επιτυχία με ένα έργο ML.既然 η ML απαιτεί αρχική εκπαίδευση και είναι μια διαδικασία, πρέπει να την αντιμετωπίζετε με τη γνώση ότι δεν θα είναι ακριβής την πρώτη φορά που θα αναπτυχθεί.

Αυτή η διαδικασία απαιτεί πολλαπλά επαναλαμβανόμενα βήματα. Η πραγματικότητα είναι ότι το πρώτο σας μοντέλο θα συναντήσει απροσδόκητα αποτελέσματα στο 99% των περιπτώσεων. Ακόμη και αν δαπανήσετε μήνες για την εκπαίδευση του μοντέλου σας στο εργαστήριο, θα αλλάξει αναπόφευκτα όταν συναντήσει δεδομένα και κίνηση του πραγματικού κόσμου.

Μην Σκοπεύετε Αμέσως την Τέλεια Λύση

Έτσι, για να δοκιμάσετε ένα μοντέλο και να καθορίσετε ποιες τροποποιήσεις απαιτούνται, πρέπει να можете να το βάλете σε παραγωγή γρήγορα. Μετά μπορείτε να κάνετε οποίες διορθώσεις, να το κυκλοφορήσετε ξανά και να το βελτιώσετε. Για αυτόν τον λόγο, δεν πρέπει να δαπανήσετε πολύ χρόνο για να κάνετε το μοντέλο σας άψογο πριν το δοκιμάσετε σε παραγωγή· η πρώτη προσπάθεια δεν θα είναι τέλεια, και κανείς δεν πρέπει να περιμένει ότι θα είναι.

Ενώ το μοντέλο αναπτύσσεται στο εργαστήριο, οι πρόσθετες βελτιώσεις από το 92% στο 95% ακρίβειας μπορεί να μην είναι σημαντικές για ορισμένες περιπτώσεις χρήσης. Γιατί όχι; Μόνο ένα μικρό μέρος των δεδομένων εκπαίδευσης έχει χρησιμοποιηθεί για την εκπαίδευση του μοντέλου AI. Μπορείτε να δαπανήσετε πολύ χρόνο και χρήμα για να αποκτήσετε το επιπλέον κομμάτι ακρίβειας, ενώ παραμελείτε τα πλεονεκτήματα που το μοντέλο σας μπορεί να σας προσφέρει στο μεταξύ.

Εфективικά Βήματα στην Ανάπτυξη ML

Επειδή υπάρχει η πιθανότητα ένα μοντέλο να αποτύχει ή να παράγει λανθασμένες προβλέψεις, οι επιστήμονες ML είναι μερικές φορές διστακτικοί να βάλουν ένα μοντέλο σε παραγωγή. Αυτό έχει νόημα, μέχρι ενός βαθμού. Χρειάζεστε ένα σύστημα που σας επιτρέπει να δείτε τα γεγονότα καθώς συμβαίνουν σε πραγματικό χρόνο. Με αυτήν την προσέγγιση, μπορείτε να τραβήξετε και να ενημερώσετε το μοντέλο σας και να κυκλοφορήσετε γρήγορα ένα νέο μοντέλο. Αντί να μείνετε στην “παράλυση ανάλυσης”, αυτή είναι η πιο αποτελεσματική μέθοδος για την ανάπτυξη μοντέλων ML.

Είναι πολύ προτιμότερο να κυκλοφορήσετε το μοντέλο και να το αφήσετε να κερδίσει κάποια εμπειρία. Αυτό δεν εξαλείφει την ανάγκη για τους επιστήμονες δεδομένων να δημιουργήσουν το μοντέλο όσο πιο ακριβώς γίνεται από την αρχή. Αλλά μόλις ολοκληρώσετε αυτήν την αρχική έκδοση, πρέπει να αρχίσετε να συλλέγετε αυτά τα σημαντικά δεδομένα αμέσως.

Μπορείτε να θέλετε να τρέξετε τα μοντέλα σας σε λειτουργία A/B ή σκιώδους λειτουργίας ενάντια σε δεδομένα του πραγματικού κόσμου作为 μέρος αυτής της διαδικασίας. Έτσι, μπορείτε βασικά να συγκρίνετε τις επιδόσεις των διαφόρων μοντέλων και να έχετε πολλά δεδομένα και αποδείξεις πριν επιλέξετε ποιο μοντέλο να προωθήσετε ή να υποβιβάσετε.

Η κατασκευή ενός τοπικού μοντέλου αντί να επικεντρωθείτε στην δημιουργία ενός seul παγκόσμιου μοντέλου για την πρόβλεψη της συμπεριφοράς για το μακροπεριβάλλον είναι μια άλλη beste πρακτική. Με ένα τοπικό μοντέλο, μπορείτε να χρησιμοποιήσετε δεδομένα από συγκεκριμένες καταστάσεις ώστε το μοντέλο να συμπεριφέρεται όπως πρέπει για κάθε μια από αυτές τις καταστάσεις. Αυτό σας σώζει χρόνο, δεδομένα και προσπάθεια σε σύγκριση με ένα ολικό μοντέλο που θα απαιτούσε μια σημαντική ποσότητα από αυτά τα πόρους για να λειτουργήσει.

Η καθορισμός της ζήτησης για προσωποποιημένα παπούτσια θα χρησιμεύσει ως παράδειγμα εδώ. Το παγκόσμιο μοντέλο μπορεί να είναι εφαρμόσιμο για το υπόλοιπο της Βόρειας Αμερικής εάν ήταν βασισμένο στο πληθυσμό της Νέας Υόρκης. Ωστόσο, θα ήταν απίθανο να αντιπροσωπεύει ακριβώς την ζήτηση σε άλλες περιοχές της χώρας. Μια στρατηγική τοπικού μοντέλου θα σας είχε επιτρέψει να κερδίσετε υψηλότερα κέρδη, τα οποία τώρα χάνετε.

Τα μοντέλα απαιτούν τακτικές ενημερώσεις, φυσικά. Τα μοντέλα απαιτούν συνεχείς ενημερώσεις επειδή τα δεδομένα του περιβάλλοντος αλλάζουν συνεχώς, σε αντίθεση με το παραδοσιακό λογισμικό που μπορεί να οριστεί μια φορά και να αφήσει μόνο του. Τα μοντέλα ML χειροτερεύουν με την πάροδο του χρόνου εάν δεν επαναλαμβάνονται τακτικά. Αυτό πρέπει να συμβεί κατά τη διάρκεια της ζωής του μοντέλου και πρέπει να παρακολουθείται προσεκτικά.

Το Νέο Παραδείγμα της Μηχανικής Μάθησης

Η σύγκριση των μοντέλων μηχανικής μάθησης με το συμβατικό λογισμικό δεν είναι σοφία. Ωστόσο, οι εμπειρογνώμονες ML επωφελούνται από μια ταχεία τεχνική ανάπτυξης για μοντέλα AI/ML, όπως και οι μηχανικοί λογισμικού έχουν κάνει με το DevOps. Για έργα ML, χρειάζεστε ένα σύστημα που σας επιτρέπει να κυκλοφορήσετε γρήγορα μοντέλα. Πρέπει να μπορείτε να συγκρίνετε διαφορετικά μοντέλα, αντιπαραβάλλοντας αποτελεσματικά ένα που είναι ενεργό με ένα που δεν είναι. Αυτά και οι άλλες beste πρακτικές που αναφέρθηκαν παραπάνω θα σας βοηθήσουν να παρακάμψετε την “παράλυση ανάλυσης” και να αποτύχετε γρήγορα και νωρίς, ώστε να μπορέσετε να κλιμακωθεί η μηχανική μάθηση. είναι δυνατό να κυκλοφορήσετε γρήγορα μοντέλα. Πρέπει να μπορείτε να συγκρίνετε διαφορετικά μοντέλα, αντιπαραβάλλοντας αποτελεσματικά ένα που είναι ενεργό με ένα που δεν είναι. Αυτά και οι άλλες beste πρακτικές που αναφέρθηκαν παραπάνω θα σας βοηθήσουν να παρακάμψετε την “παράλυση ανάλυσης” και να αποτύχετε γρήγορα και νωρίς, ώστε να μπορέσετε να κλιμακωθεί η μηχανική μάθηση.