Lasmuigh den tseilf vs Múnlaí Foghlama Meaisín Chustaim?

Cathain is fearr tógáil ná réiteach as an tseilf a cheannach?

Is féidir le cuideachtaí dul i mbun cineálacha cur chuige éagsúla maidir le forbairt samhlacha. Ó sheirbhísí ML lánbhainistithe, an bealach ar fad go samhlacha saincheaptha. Ag brath ar riachtanais ghnó, ar shaineolas atá ar fáil, agus ar shrianta pleanála, ní mór dóibh rogha a dhéanamh: ar cheart dóibh réitigh shaincheaptha a fhorbairt ón tús? Nó ar cheart dóibh seirbhís lasmuigh den tseilf a roghnú?

I gcás gach céime den ualach oibre ML, ní mór cinneadh a dhéanamh maidir leis an gcaoi a n-oireann na míreanna éagsúla le chéile. Ó bhailiú sonraí, ullmhú, agus léirshamhlú, an bealach ar fad chun gné-innealtóireachta, oiliúint mhúnla, agus meastóireacht a dhéanamh, cuireann innealtóirí meaisínfhoghlama an cheist chéanna orthu féin arís agus arís eile: An mbeidh sé ina réiteach saincheaptha curtha i bhfeidhm, scríofa agus forbartha ón tús? Nó an seirbhís as an tseilf a bheidh i gceist?

Ach cathain atá tógáil níos fearr ná réiteach as an tseilf a cheannach? Na príomhfhachtóirí idirdhealaitheacha idir an dá chur chuige: iarrachtaí réamhphróiseála, luas forbartha, agus an saineolas is gá.

Rudaí le cur san áireamh agus tú ag cinneadh ar mhúnlaí foghlama meaisín lasmuigh den tseilf nó saincheaptha?

Iarrachtaí réamhphróiseála

Tá gach cineál dúshlán roimh thionscadail ML, ach b’fhéidir gurb é an dúshlán is mó atá ann ná infhaighteacht sonraí oiliúna. Is féidir leis an easpa sonraí oiliúna stop a chur le tionscadal sula dtosaíonn sé fiú. Sula dtosaítear ar thionscadal fiú, d’fhéadfadh costais shuntasacha réamhphróiseála a bheith ann as sonraí a bhailiú, sonraí a lipéadú, glanadh agus iarrachtaí réamhphróiseála. Is é seo an gaiste aitheanta ina dteipeann ar go leor tionscadal ML: is é an deireadh a thógann réamhphróiseáil 80% de na hacmhainní a leithdháiltear, ach is beag acmhainní atá fágtha le haghaidh oiliúint agus meastóireacht na samhla.

Maolaíonn réitigh lasmuigh den tseilf an brú agus na pianta a bhaineann le hiarrachtaí réamhphróiseála. Tógtar iad chun na hoibríochtaí is coitianta a dhéanamh agus níl ach beagán cumraíochta ag teastáil. Is é an rud is fearr fúthu: tá réitigh as an tseilf ann do gach céim den ualach oibre ML.

Ar an láimh eile, is gnách go mbíonn níos mó iarrachtaí réamhphróiseála ag teastáil le haghaidh cur chun feidhme saincheaptha. Ní chiallaíonn sé sin go gcaithfear iad a dhíbhe ina n-iomláine: ceanglaítear orthu fós céim áirithe ML a mhionchoigeartú de réir sonraí na faidhbe atá á réiteach. D'fhéadfadh go mbeadh gá le roinnt rialacha glanta speisialta le tacar sonraí salach go háirithe. Ag an am céanna, d'fhéadfadh go mbeadh innealtóireacht shaincheaptha de dhíth ar thacar gnéithe ar leith, díreach mar a d'fhéadfadh coigeartuithe beaga a bheith de dhíth ar ailtireachtaí néaracha. Sa chás seo, is dócha go gclúdóidh réitigh saincheaptha a tógadh ón tús na riachtanais go léir.

Luas forbartha 

Díríonn réitigh lasmuigh den tseilf ar chumraíocht seachas ar chur i bhfeidhm. In ionad acmhainní a leithdháileadh chun figuring amach Cad a dhéanamh, díreoidh foirne ML ar conas a beidh na píosaí bhfreagra éagsúla oiriúnach le chéile. Ligeann an cur chuige seo do chuideachtaí, do thaighdeoirí agus d’innealtóirí fréamhshamhlacha agus cruthúnais choincheapa a chur i bhfeidhm go tapa. In ionad an roth a athchruthú, is féidir le réitigh lasmuigh den seilf eolas atá ann cheana a ghiaráil, rud a shábháil am forbartha.

Tá sé ar eolas go bhfuil luas forbartha wrt i bhfad níos moille ag réitigh saincheaptha a chuirtear i bhfeidhm ón tús. Tá sé seo mar gheall ar a gcuid riachtanas cothabhála méadaithe: ní mór d'innealtóirí an dá cheann a dhéanamh amach Cad agus an conas a den réiteach. Mar an gcéanna, dá chasta an réiteach, is amhlaidh is mó acmhainní ama a bheidh ag teastáil chun a chinntiú go bhfuil sé inscálaithe agus go mbeidh sé ar fáil agus é i mbun táirgthe. Ón dearcadh seo, tá réitigh shaincheaptha agus iarrachtaí ama comhréireach go díreach: dá chasta an réiteach, is amhlaidh is mó ama a bheidh ag teastáil.

De ghnáth, áfach, tá an fhírinne áit éigin sa lár: déanfar bunchód atá ann cheana féin a athmhacrú agus a oiriúnú do riachtanais an tionscadail reatha. Is amhlaidh an cás leis an gcur chuige foghlama aistrithe a bhfuil aithne air maidir le hoiliúint eiseamláireach.

Saineolas

Díreach mar atá sraitheanna iolracha ag a ndéantar Foghlaim Mheaisín, tá leibhéil iomadúla saineolais ann inar féidir samhlacha ML a fhorbairt, ó chomhéadain saor ó chód an bealach ar fad go dtí samhlacha a thógáil ón tús.

Tá réitigh lasmuigh den tseilf ann nach bhfuil ach fíorbheagán saineolais meaisínfhoghlama ag teastáil ina leith. Trí úsáid a bhaint as comhéadain iomasach agus fiú cuir chuige tarraing agus titim, tá sé thar a bheith simplí do dhuine ar bith (ó anailísithe gnó go hinnealtóirí bogearraí) samhail meaisínfhoghlama de chineál éigin a thógáil agus a imscaradh. Cé go bhféadfadh an cur chuige simplí seo maidir le forbairt samhlacha a bheith ag obair chun críocha fréamhshamhla, ní dócha go gcomhlíonfaidh sé riachtanais na gcóras táirgthe.

Tá saineolas fós ag teastáil chun réitigh as an tseilf i dtáirgeadh a chumrú, a chur ar bun agus a chothabháil. Is tascanna coitianta iad réitigh oibre, paistí cód, nascadh le comhéadain API éagsúla, agus déileáil le saincheisteanna imlonnaithe chun feidhmíocht samhlacha i dtimpeallachtaí táirgthe a chinntiú.

Is gnách go gcuirtear réitigh shaincheaptha i bhfeidhm ar leibhéal bonneagair agus níl aon bhealach timpeall air: is cinnte go bhfuil saineolas ag teastáil. Ag brath ar mhéid na cuideachta agus spriocanna an tionscadail, d'fhéadfadh go mbeadh foirne ildisciplíneacha ag teastáil chun córais táirgthe a chothabháil. Tagann eolaithe sonraí, innealtóirí ML, agus anailísithe gnó le chéile chun ciall a bhaint as torthaí tátail agus chun samhlacha táirgeachta a chothabháil.

Cad ba cheart duit a úsáid: an eis-seilf nó samhail foghlama meaisín saincheaptha?

Beidh réiteach ML bunaithe ar go leor comhpháirteanna agus seirbhísí aonair a chaithfidh teacht le chéile mar réiteach comhtháite. Ní bhaineann sé riamh le dul 100% saincheaptha nó dul 100% as an tseilf ós rud é go dteastaíonn réitigh éagsúla ar fhadhbanna gnó éagsúla. Níos minice ná a mhalairt, tógtar réitigh bunaithe ar ML trí mheascán den dá cheann: seirbhísí as an tseilf chun léargais ghinearálta a bhaint amach, in éineacht le samhlacha saincheaptha chun cruinneas méadaithe agus samhaltú eolas a bhaineann go sonrach leis an bhfearann.

Is é an cleas ná fios a bheith agat cathain is cóir réitigh saincheaptha a chur i bhfeidhm ón tús agus cé na codanna den tionscadal is féidir leas a bhaint as na buntáistí a bhaineann le seirbhísí as an tseilf. Braitheann sé seo go mór ar an gcineál faidhbe a bhfuiltear ag dul i ngleic léi, ar na riachtanais ghnó, ar na sonraí atá ar fáil, agus ar shrianta foriomlána na timpeallachta forbartha.

Chun tuilleadh a fháil ar threochtaí AI agus teicneolaíochta, féach Josh Miramant, POF réitigh sonraí-tiomáinte Blue Orange Digital le haghaidh Slabhra soláthair, Uathoibriú Doiciméad Cúraim Sláinte, agus eile.

Seans gur mhaith leat freisin:

Úsáid NLP chun tuairimí ar na Meáin Shóisialta a rangú

Conas Próiseáil Teanga a Fheabhsú Trí Shamhail Foinse Oscailte BERT de chuid Google