Onnistunut koneoppimisen kehittäminen vaatii uuden lähestymistavan – ajattelijoita

Kirjoittaja Victor Thu, Datatronin puheenjohtaja, Datatron

Koneoppimiseen liittyvät aloitteet eivät voi käsitellä samalla tavalla kuin perinteisten ohjelmistoprojektien kohdalla. On tärkeää toimia nopeasti, jotta voit testata asioita, korjata ongelmia ja testata ne uudelleen. Toisin sanoen sinun on oltava kykeneväinen epäonnistumaan nopeasti – ja tekemään niin varhaisessa vaiheessa prosessissa. Jos odottaa liian kauan, ennen kuin ongelmia havaitaan, se voi osoittautua erittäin kalliiksi ja aikaa vieväksi.

Tekoäly vaatii uuden lähestymistavan

Kun kehität ohjelmistoa perinteisellä tavalla, käytät päätöksenteon logiikkaa. Ollaksesi mahdollisimman tarkin, sisällytät logiikkaa, joka mahdollistaa ohjelmiston toiminnan oikein. Yleensä ei ole tarpeen tehdä muutoksia sovelluksen logiikan kehittymisen jälkeen, paitsi virheenkorjaus. Se on erittäin järjestelmällinen kehittämisprosessi; etenit vaiheittain varmistamalla, että jokainen prosessin vaihe on tarkin ennen siirtymistä seuraavaan vaiheeseen. Se on kokeileva strategia, joka on osoittanut toimivuutensa ohjelmistokehityksessä.

Kuitenkaan et voi käyttää samaa strategiaa tekoäly-/koneoppimishankkeissa, koska se ei toimi. Sen sijaan sinun on oltava kykeneväinen toimimaan nopeasti ja usein, jotta voit löytää menestystä koneoppimishankkeessa. Koska koneoppiminen vaatii alkuun koulutusta ja on prosessi, sinun on lähestyttävä sitä tiedolla, ettei se ole tarkin ensimmäisellä kerralla, kun se otetaan käyttöön.

Tämä prosessi vaatii useita iteraatioita. Totuus on, että ensimmäinen mallisi kohtaa yllättäviä tuloksia 99 prosenttisesti. Vaikka vietät kuukausia kouluttaen malliasi laboratoriossa, se muuttuu varmasti, kun se kohtaa todellisen maailman tiedot ja liikenteen.

Älä tavoittele välittömästi täydellisyyttä

Niinpä, jotta voit testata mallia ja määritellä, mitä muutoksia on tarpeen, sinun on oltava kykeneväinen ottamaan sen nopeasti tuotantoon. Voit sitten tehdä tarvittavat muutokset, julkaista se uudelleen ja parantaa sitä. Tämän vuoksi et pidä liikaa vaivaa yrittäessäsi tehdä mallistasi täydellisen ennen kuin testaat sitä tuotannossa; ensimmäinen yritys ei ole täydellinen, eikä kukaan odota sitä.
Kun malli kehitetään laboratoriossa, lisäparannukset 92 prosentista 95 prosentin tarkkuuteen eivät välttämättä ole merkittäviä joillekin käyttötarkoituksille. Miksi ei? Vain pieni osa koulutusaineistosta on käytetty kouluttamaan tekoälymalliasi. Voit lopulta käyttää paljon aikaa ja rahaa saadaksesi ylimääräisen tarkkuuden, samalla kun luopuu etuoikeuksista, joita mallisi voisi tarjota sinulle välittömästi.

Tehokkaat vaiheet koneoppimisen käyttöönotossa

Koska on mahdollista, että malli epäonnistuu tai tuottaa virheellisiä ennusteita, koneoppimisen asiantuntijat ovat toisinaan epäröiviä ottamaan mallin tuotantoon. Se on järkevää jonkin verran. Tarvitset järjestelmän, joka mahdollistaa sinun nähdä tapahtumat reaaliajassa. Tällä tavoin voit välittömästi poistaa ja päivittää mallisi ja julkaista uuden mallin nopeasti. Tämä on tehokkain tapa ottaa koneoppimismallit tuotantoon, sen sijaan, että jäähtyy “analyysiparalyysiin”.
On paljon parempi vain ottaa malli käyttöön ja antaa sille mahdollisuus hankkia elämänkokemusta. Tämä ei poista tarvetta sille, että data-asiantuntijat luovat mallin mahdollisimman tarkin alusta alkaen. Mutta kun valmistut alkuperäisestä versiosta, sinun on aloitettava kerääminen tärkeää tietoa välittömästi.
Voit haluta suorittaa malleja A/B-testaus- tai varjotila-tilassa osana tätä prosessia oikean maailman tietojen kanssa. Tällä tavoin voit verrata eri mallien suorituskykyä ja sinulla on paljon tietoa ja näyttöä ennen kuin valitset, minkä mallin edistää tai laskee.
Rakentaa paikallinen malli keskittyen luomaan yksittäisen globaalin mallin, joka ennustaa käyttäytymistä makrotaloudelle, on toinen parhaita käytäntöjä. Paikallisella mallilla voit käyttää tiettyjen tilanteiden tietoja, jotta malli toimii niissä tilanteissa oikein. Tämä säästää aikaa, tietoja ja vaivaa verrattuna kattavaan malliin, joka vaatisi suuren määrän näitä resursseja, jotta se toimisi.
Määrittäminen kenkien mukautettujen tarpeiden mukaan toimii esimerkkinä tässä. Globaali malli saattaisi olla sovellettavissa muuhun Pohjois-Amerikkaan, jos se perustuisi New Yorkin kaupungin väestöön. Se ei kuitenkaan todennäköisesti edustaisi tarvetta muissa maan osissa. Paikallisen mallin strategia olisi mahdollistanut saavuttaa korkeammat voitot, joita eteenpäin menetet.
Malleja on tietysti päivitettävä säännöllisesti. Malleja on päivitettävä, koska ympäristön tiedot muuttuvat aina, toisin kuin perinteinen ohjelmisto, joka voidaan asettaa kerran ja jättää koskemattomaksi. Koneoppimismallit heikkenevät ajan myötä, jos niitä ei iteroida säännöllisesti. Tämä on tehtävä mallin elinkaaren aikana ja se on tarkkaan seurattava.

Koneoppimisen uusi paradigma

On virheellistä verrata koneoppimismalleja perinteiseen ohjelmistoon. Koneoppimisen asiantuntijat hyötyvät nopeasta käyttöönotosta tekoäly-/koneoppimismalleille, samoin kuin ohjelmistosuunnittelijat ovat tehneet DevOpsin kanssa. Koneoppimishankkeissa tarvitset järjestelmän, joka mahdollistaa nopean mallien käyttöönoton. Sinun on oltava kykeneväinen vertaamaan eri malleja, tehokkaasti vertaamalla yhtä, joka on käytössä, ja toista, joka ei ole. Nämä ja muut yllä mainitut parhaat käytännöt auttavat sinua ohittamaan analyysiparalyysin ja epäonnistumaan nopeasti ja aikaisin, jotta voit skaalata koneoppimista.