मशीन लर्निंग विकास के लिए एक नए दृष्टिकोण की आवश्यकता है – विचार नेताओं

विक्टर थु, अध्यक्ष, Datatron

मशीन लर्निंग का उपयोग करने वाली पहलों को पारंपरिक सॉफ्टवेयर परियोजनाओं की तरह नहीं माना जा सकता है। आपको जल्दी से परीक्षण करने और समस्याओं को ठीक करने के लिए आगे बढ़ना होगा। दूसरे शब्दों में, आपको जल्दी से विफल होने में सक्षम होना चाहिए – और प्रक्रिया में शुरुआत में ऐसा करना चाहिए। बाद में समस्याओं का पता लगाने के लिए प्रतीक्षा करना बहुत महंगा और समय लेने वाला हो सकता है।

एआई के लिए एक नए दृष्टिकोण की आवश्यकता है

जब आप पारंपरिक तरीके से सॉफ्टवेयर विकसित करते हैं, तो आप निर्णय लॉजिक का उपयोग करते हैं। सटीक होने के लिए, आप सॉफ्टवेयर को ठीक से काम करने के लिए लॉजिक को शामिल करते हैं। आमतौर पर एप्लिकेशन के तर्क विकसित होने के बाद बदलाव की आवश्यकता नहीं होती है, सिवाय बग फिक्स के। यह एक बहुत ही व्यवस्थित विकास प्रक्रिया है; आप धीरे-धीरे आगे बढ़ते हैं और प्रत्येक चरण को सुनिश्चित करते हैं कि यह सटीक है trước कि आप अगले चरण पर जाएं। यह एक परीक्षण की गई रणनीति है जो सॉफ्टवेयर विकास के लिए लगातार अपनी प्रभावशीलता का प्रदर्शन करती है।

हालांकि, आप एआई/एमएल परियोजनाओं के लिए इसी रणनीति का उपयोग नहीं कर सकते क्योंकि यह просто काम नहीं करेगा। इसके बजाय, आपको जल्दी और बार-बार पुनरावृत्ति करने की क्षमता होनी चाहिए ताकि आप एमएल परियोजना में सफलता प्राप्त कर सकें। चूंकि एमएल को प्रारंभिक प्रशिक्षण की आवश्यकता होती है और यह एक प्रक्रिया है, आपको इसे इस ज्ञान के साथ दृष्टिकोण करना चाहिए कि यह पहली बार तैनाती में सटीक नहीं होगा।

इस प्रक्रिया में कई पुनरावृत्तियों की आवश्यकता होती है। वास्तविकता यह है कि आपका पहला मॉडल 99% समय अप्रत्याशित परिणामों का सामना करेगा। भले ही आप अपने मॉडल को प्रयोगशाला में महीनों तक प्रशिक्षित करें, यह निश्चित रूप से बदल जाएगा जब यह वास्तविक दुनिया के डेटा और ट्रैफिक से मिलेगा।

तुरंत परिपूर्णता के लिए प्रयास न करें

तो फिर, एक मॉडल का परीक्षण करने और यह निर्धारित करने के लिए कि क्या संशोधन आवश्यक हैं, आपको इसे उत्पादन में जल्दी से तैनात करने में सक्षम होना चाहिए। आप फिर से समायोजन कर सकते हैं, इसे फिर से जारी कर सकते हैं और इसे परिष्कृत कर सकते हैं। इस वजह से, आपको अपने मॉडल को उत्पादन में परीक्षण करने से पहले यह पूरी तरह से परिपूर्ण बनाने के लिए बहुत अधिक प्रयास नहीं करना चाहिए; पहला प्रयास परिपूर्ण नहीं होगा, और किसी को यह उम्मीद नहीं करनी चाहिए।

जब मॉडल प्रयोगशाला में विकसित किया जा रहा हो, तो 92% से 95% सटीकता में अतिरिक्त सुधार कुछ उपयोग के मामलों के लिए महत्वपूर्ण नहीं हो सकता है। क्यों? आपके एआई मॉडल को प्रशिक्षित करने के लिए केवल थोड़ा सा प्रशिक्षण डेटा उपयोग किया गया है। आप अतिरिक्त सटीकता प्राप्त करने के लिए बहुत अधिक समय और पैसा निवेश कर सकते हैं, जबकि इस बीच आपके मॉडल द्वारा प्रदान किए जा सकने वाले लाभों को छोड़ सकते हैं।

एमएल तैनाती में प्रभावी कदम

चूंकि एक मॉडल विफल हो सकता है या गलत भविष्यवाणियां कर सकता है, एमएल वैज्ञानिक कभी-कभी इसे उत्पादन में तैनात करने से संकोच करते हैं। यह एक हद तक समझ में आता है। आपको एक प्रणाली की आवश्यकता है जो आपको वास्तविक समय में घटनाओं को देखने की अनुमति देती है। इस दृष्टिकोण के साथ, आप तुरंत अपने मॉडल को वापस ले सकते हैं और अपडेट कर सकते हैं और फिर जल्दी से एक नया मॉडल जारी कर सकते हैं। “विश्लेषण पक्षाघात” में फंसने के बजाय, यह मशीन लर्निंग मॉडल को उत्पादन में तैनात करने का सबसे कुशल तरीका है।

यह बस मॉडल लॉन्च करना और इसे कुछ वास्तविक दुनिया का अनुभव प्राप्त करने देना बेहतर है। यह डेटा वैज्ञानिकों के लिए मॉडल को यथासंभव सटीक रूप से बनाने की आवश्यकता को समाप्त नहीं करता है। लेकिन जैसे ही आप उस पहले संस्करण को पूरा करते हैं, आपको तुरंत उस महत्वपूर्ण डेटा को इकट्ठा करना शुरू कर देना चाहिए।

आप अपने मॉडल को वास्तविक दुनिया के डेटा के खिलाफ ए/बी परीक्षण मोड या शैडो मोड में चलाना चाह सकते हैं作为 इस प्रक्रिया का हिस्सा। इस तरह, आप मूल रूप से विभिन्न मॉडलों के प्रदर्शन की तुलना कर सकते हैं और किसी मॉडल को बढ़ावा देने या घटाने से पहले बहुत सारे डेटा और प्रमाण प्राप्त कर सकते हैं।

एक स्थानीयकृत मॉडल बनाना एक और सर्वोत्तम अभ्यास है, बजाय इसके कि आप एक एकल वैश्विक मॉडल पर ध्यान केंद्रित करें जो मैक्रो पर्यावरण के लिए व्यवहार की भविष्यवाणी करे। एक स्थानीय मॉडल के साथ, आप विशिष्ट परिदृश्यों से डेटा का उपयोग कर सकते हैं ताकि मॉडल उन परिदृश्यों में से प्रत्येक के लिए यथोचित रूप से व्यवहार करे। यह एक व्यापक मॉडल की तुलना में समय, डेटा और प्रयासों की बचत करता है जो इसके काम करने के लिए महत्वपूर्ण मात्रा में इन संसाधनों की आवश्यकता होगी।

कस्टम स्नीकर्स की मांग का निर्धारण एक उदाहरण के रूप में काम करेगा। यदि यह न्यूयॉर्क शहर की आबादी पर आधारित था, तो वैश्विक मॉडल शायद उत्तरी अमेरिका के बाकी हिस्सों के लिए लागू होगा। लेकिन यह देश के अन्य हिस्सों में मांग का सटीक प्रतिनिधित्व नहीं करेगा। एक स्थानीय मॉडल रणनीति ने आपको उच्च लाभ मार्जिन प्राप्त करने की अनुमति दी होगी, जिसे आप अब खो रहे हैं।

मॉडलों को नियमित रूप से अपडेट करने की आवश्यकता होती है,当然। मॉडलों को नियमित रूप से अपडेट करने की आवश्यकता होती है क्योंकि पर्यावरण के डेटा में हमेशा परिवर्तन होता है, पारंपरिक सॉफ्टवेयर के विपरीत जिसे एक बार सेट किया जा सकता है और अकेला छोड़ दिया जा सकता है। एमएल मॉडल समय के साथ खराब हो जाते हैं यदि उन्हें नियमित रूप से पुनरावृत्ति नहीं की जाती है। यह मॉडल के जीवनकाल के दौरान होना चाहिए और इसकी बारीकी से निगरानी की जानी चाहिए।

मशीन लर्निंग का नया दृष्टिकोण

मशीन लर्निंग मॉडल की तुलना पारंपरिक सॉफ्टवेयर से करना बुद्धिमानी नहीं है। हालांकि, एमएल विशेषज्ञ एआई/एमएल मॉडल के लिए तेजी से तैनाती तकनीक से लाभान्वित होते हैं, जैसे कि सॉफ्टवेयर इंजीनियर डेवोप्स से लाभान्वित होते हैं। एमएल परियोजनाओं के लिए, आपको एक प्रणाली की आवश्यकता है जो मॉडल को जल्दी से तैनात करने की अनुमति देती है। आपको विभिन्न मॉडलों की तुलना करने में सक्षम होना चाहिए, जो एक जीवित मॉडल की तुलना एक जीवित मॉडल से करता है। उपरोक्त वर्णित अन्य सर्वोत्तम अभ्यासों के साथ, यह आपको विश्लेषण पक्षाघात से बचने और शुरुआत में जल्दी और जल्दी विफल होने में मदद करेगा ताकि आप अपने मशीन लर्निंग को स्केल कर सकें।