Արտահերթ ընդդեմ մեքենայական ուսուցման հատուկ մոդելների:

Ե՞րբ է շինարարությունն ավելի լավ, քան վաճառվող լուծում գնելը:

Ընկերությունները կարող են ներգրավվել մոդելի մշակման տարբեր մոտեցումներով: Ամբողջությամբ կառավարվող ML ծառայություններից մինչև հատուկ մոդելներ: Կախված բիզնեսի պահանջներից, առկա փորձագիտությունից և պլանավորման սահմանափակումներից՝ նրանք պետք է ընտրություն կատարեն՝ արդյո՞ք զրոյից մշակեն անհատական ​​լուծումներ: Թե՞ նրանք պետք է ընտրեն առանց խանութի ծառայություն:

ML աշխատանքային ծանրաբեռնվածության բոլոր փուլերի համար պետք է որոշում կայացվի, թե ինչպես են տարբեր գլուխկոտրուկները կհամապատասխանեն միմյանց: Տվյալների հավաքագրումից, պատրաստումից և վիզուալիզացիայից մինչև ճարտարագիտություն, մոդելների ուսուցում և գնահատում, մեքենայական ուսուցման ինժեներները բազմիցս իրենց տալիս են նույն հարցը. Թե՞ դա կլինի անվճար ծառայություն:

Բայց ե՞րբ է շինարարությունն ավելի լավ, քան վաճառվող լուծում գնելը: Հիմնական տարբերակիչ գործոնները երկու մոտեցումների միջև՝ նախնական մշակման ջանքեր, զարգացման արագություն և անհրաժեշտ փորձաքննություն:

Ինչի՞ մասին պետք է հաշվի առնել, երբ որոշել եք օգտագործել մեքենայական ուսուցման մոդելներ, որոնք նախատեսված են վաճառակետում:

Նախամշակման ջանքեր

ML նախագծերը բախվում են բոլոր տեսակի մարտահրավերների, բայց, հավանաբար, ամենամեծ մարտահրավերը վերապատրաստման տվյալների հասանելիությունն է: Վերապատրաստման տվյալների բացակայությունը կարող է դադարեցնել նախագիծը նախքան այն սկսելը: Նախքան նախագիծը սկսելը, այն կարող է զգալի նախամշակման ծախսեր ունենալ՝ տվյալների հավաքագրման, տվյալների պիտակավորման, մաքրման և նախնական մշակման ջանքերից: Սա այն հայտնի ծուղակն է, որում շատ ML նախագծեր ձախողվում են. նախնական մշակումն ավարտվում է հատկացված ռեսուրսների 80%-ով, մինչդեռ իրական մոդելի վերապատրաստման և գնահատման համար քիչ ռեսուրսներ են մնացել:

Արտադրված լուծումները թեթևացնում են նախնական մշակման ջանքերի լարումն ու ցավը: Դրանք կառուցված են ամենատարածված գործողությունները կատարելու համար՝ պահանջվող միայն մի փոքր կոնֆիգուրացիայով: Դրանցից ամենալավն այն է, որ վաճառվող լուծումները գոյություն ունեն ML աշխատանքային ծանրաբեռնվածության բոլոր փուլերի համար:

Մյուս կողմից, պատվերով պատրաստված իրականացումները սովորաբար պահանջում են ավելի շատ նախամշակման ջանքեր: Դա չի նշանակում, որ դրանք պետք է ամբողջությամբ հեռացվեն. նրանցից դեռ պահանջվում է ճշգրտել ՓԼ-ի որոշակի փուլը լուծվող խնդրի առանձնահատկություններին: Հատկապես կեղտոտ տվյալների բազան կարող է պահանջել մաքրման հատուկ կանոններ: Միևնույն ժամանակ, հատուկ առանձնահատկությունների հավաքածուն կարող է պահանջել հատուկ առանձնահատկությունների ճարտարագիտություն, ճիշտ այնպես, ինչպես նեյրոնային ճարտարապետությունը կարող է պահանջել չնչին ճշգրտումներ: Այս դեպքում զրոյից կառուցված մաքսային լուծումները, հավանաբար, կբավարարեն բոլոր կարիքները:

Զարգացման արագություն 

Արտահերթ լուծումները կենտրոնանում են ոչ թե իրականացման, այլ կազմաձևման վրա: Փոխանակ ռեսուրսներ հատկացնեն պարզելու համար ինչ պետք է արվի, ՄԼ թիմերը կկենտրոնանան ինչպես Փազլի տարբեր կտորները կհամապատասխանեն միմյանց: Այս մոտեցումը թույլ է տալիս ընկերություններին, հետազոտողներին և ինժեներներին արագորեն իրականացնել նախատիպեր և հայեցակարգի ապացույցներ: Անիվը նորից հայտնագործելու փոխարեն՝ վաճառվող լուծումները հնարավորություն են տալիս օգտագործել առկա գիտելիքները՝ այդպիսով խնայելով զարգացման ժամանակը:

Պատվերով պատրաստված լուծումները, որոնք իրականացվում են զրոյից, հայտնի է, որ դրանք շատ ավելի դանդաղ են մշակման արագությամբ: Դա պայմանավորված է նրանց սպասարկման կարիքների ավելացմամբ. ինժեներները պետք է պարզեն երկուսն էլ ինչ եւ ինչպես լուծմանը։ Նմանապես, որքան ավելի բարդ է լուծումը, այնքան ավելի շատ ժամանակի ռեսուրսներ են պահանջվում արտադրության ընթացքում դրա մասշտաբայնությունն ու հասանելիությունն ապահովելու համար: Այս տեսանկյունից, պատվերով պատրաստված լուծումներն ու ժամանակի ջանքերը ուղիղ համեմատական ​​են. որքան ավելի բարդ է լուծումը, այնքան ավելի շատ ժամանակ կպահանջվի:

Սովորաբար, սակայն, ճշմարտությունն ինչ-որ տեղ մեջտեղում է. գոյություն ունեցող կոդերի բազան կվերագործարկվի և կհարմարեցվի ընթացիկ նախագծի կարիքներին: Այդպիսին է մոդելային ուսուցման հայտնի փոխանցման ուսուցման մոտեցումը:

Փորձաքննություն

Ճիշտ այնպես, ինչպես կան մի քանի շերտեր, որոնցում իրականացվում է մեքենայական ուսուցում, կան նաև փորձաքննության մի քանի մակարդակներ, որոնցում կարող են մշակվել ML մոդելներ՝ սկսած կոդից ազատ միջերեսներից մինչև զրոյից մոդելներ կառուցելը:

Գոյություն ունեն պատրաստի լուծումներ, որոնց համար շատ քիչ մեքենայական ուսուցման փորձ է պահանջվում: Օգտագործելով ինտուիտիվ ինտերֆեյսներ և նույնիսկ քաշել և թողնել մոտեցումները, բոլորի համար (բիզնեսի վերլուծաբաններից մինչև ծրագրային ապահովման ինժեներներ) չափազանց պարզ է դարձել մեքենայական ուսուցման ինչ-որ մոդել ստեղծելն ու տեղակայելը: Թեև մոդելի մշակման այս պարզ մոտեցումը կարող է աշխատել նախատիպային նպատակներով, այն դժվար թե բավարարի արտադրական համակարգերի պահանջները:

Դեռևս պահանջվում է փորձաքննություն՝ արտադրության մեջ առկա լուծումները ճիշտ կարգավորելու, կարգավորելու և պահպանելու համար: Լուծումները, կոդերի տեղադրումը, API-ի տարբեր ինտերֆեյսներին միանալը և տեղակայման հետ կապված խնդիրների լուծումը սովորական առաջադրանքներ են, որոնք անհրաժեշտ են արտադրական միջավայրում մոդելների աշխատանքը ապահովելու համար:

Պատվերով պատրաստված լուծումները սովորաբար իրականացվում են ենթակառուցվածքային մակարդակով, և դա անհնար է. փորձաքննությունը միանշանակ է պահանջվում: Կախված ընկերության չափից և ծրագրի նպատակներից, արտադրական համակարգերը պահպանելու համար կարող են պահանջվել բազմամասնագիտական ​​թիմեր: Տվյալների գիտնականները, ML ինժեներները և բիզնեսի վերլուծաբանները համախմբվում են եզրակացության արդյունքները հասկանալու և արտադրության մոդելները պահպանելու համար:

Ինչ պետք է օգտագործեք. ա պատրաստի, թե՞ հատուկ մեքենայական ուսուցման մոդել:

ML լուծումը կկառուցվի բազմաթիվ առանձին բաղադրիչներից և ծառայություններից, որոնք պետք է միավորվեն որպես համակցված լուծում: Խոսքը երբեք չի վերաբերում 100%-ով պատվերով կամ 100%-ով դուրս գալուն, քանի որ տարբեր բիզնես խնդիրներ պահանջում են տարբեր լուծումներ: Ավելի հաճախ, քան ոչ, ML-ի վրա հիմնված լուծումները ստեղծվում են երկուսի խառնուրդով. վաճառվող ծառայություններ՝ ընդհանուր պատկերացումներ քաղելու համար, համակցված հատուկ մոդելների հետ՝ ճշգրտության բարձրացման և տիրույթի հատուկ գիտելիքների մոդելավորման համար:

Խնդիրն այն է, թե երբ պետք է զրոյից գործադրել հատուկ լուծումներ, և ծրագրի որ մասերը կարող են օգտագործել վաճառվող ծառայությունների առավելությունները: Սա մեծապես կախված է լուծվող խնդրի տեսակից, բիզնեսի պահանջներից, առկա տվյալներից և զարգացման միջավայրի ընդհանուր սահմանափակումներից:

AI-ի և տեխնոլոգիական միտումների մասին ավելին տե՛ս Ջոշ Միրամանտ, Blue Orange Digital-ի տվյալների վրա հիմնված լուծումների գործադիր տնօրեն Supply Chain, Առողջապահական փաստաթղթերի ավտոմատացում, եւ ավելին.

Ձեզ նույնպես կարող է դուր գալ.

Օգտագործեք NLP՝ սոցիալական մեդիայի մեկնաբանությունները դասակարգելու համար

Ինչպես է բարելավվում լեզվի մշակումը Google-ի բաց կոդով BERT մոդելի միջոցով