Solusi Mesin Pembelajaran Jadi melawan Kustom: Mana yang Lebih Baik?

Kapan Membangun Lebih Baik daripada Membeli Solusi Jadi?

Perusahaan dapat terlibat dalam berbagai pendekatan untuk pengembangan model. Dari layanan ML yang sepenuhnya dikelola, hingga model kustom. Tergantung pada kebutuhan bisnis, keahlian yang tersedia, dan kendala perencanaan, mereka harus membuat pilihan: apakah mereka harus mengembangkan solusi kustom dari awal? Atau apakah mereka harus memilih layanan jadi?

Untuk semua tahap pekerjaan ML, keputusan harus diambil tentang bagaimana potongan-potongan puzzle yang berbeda akan saling melengkapi. Dari pengumpulan data, persiapan, dan visualisasi, hingga teknik fitur, pelatihan model, dan evaluasi, insinyur mesin pembelajaran terus-menerus bertanya pada diri mereka sendiri pertanyaan yang sama: Apakah itu akan menjadi solusi yang diimplementasikan secara kustom, ditulis dan dikembangkan dari awal? Atau apakah itu akan menjadi layanan jadi?

Tapi kapan membangun lebih baik daripada membeli solusi jadi? Faktor pembeda utama antara dua pendekatan: upaya pra-pengolahan, kecepatan pengembangan, dan keahlian yang diperlukan.

Apa yang Harus Dipertimbangkan saat Menentukan untuk Menggunakan Model Mesin Pembelajaran Jadi atau Kustom?

Upaya Pra-Pengolahan

Proyek ML menghadapi berbagai tantangan, tetapi mungkin tantangan terbesar adalah ketersediaan data pelatihan. Kekurangan data pelatihan dapat menghentikan proyek sebelum dimulai. Sebelum proyek dimulai, itu dapat menghadapi biaya pra-pengolahan yang signifikan dari pengumpulan data, pelabelan data, pembersihan, dan pra-pengolahan. Ini adalah perangkap yang terkenal yang banyak proyek ML gagal: pra-pengolahan berakhir dengan mengambil 80% sumber daya yang dialokasikan, sedangkan sedikit sumber daya yang tersisa untuk pelatihan model dan evaluasi yang sebenarnya.

Solusi jadi mengurangi beban dan kesulitan upaya pra-pengolahan. Mereka dirancang untuk melakukan operasi yang paling umum dengan hanya sedikit konfigurasi yang diperlukan. Hal terbaik tentang mereka adalah: solusi jadi ada untuk semua tahap pekerjaan ML.

Di sisi lain, implementasi kustom biasanya memerlukan upaya pra-pengolahan yang lebih banyak. Itu tidak berarti bahwa mereka harus diabaikan sepenuhnya: mereka masih diperlukan untuk memperhalus tahap ML tertentu ke khusus masalah yang sedang dipecahkan. Dataset yang sangat kotor mungkin memerlukan aturan pembersihan khusus. Pada saat yang sama, set fitur tertentu mungkin memerlukan teknik fitur kustom, sama seperti arsitektur neural mungkin memerlukan penyesuaian yang halus. Dalam kasus ini, solusi kustom yang dibangun dari awal kemungkinan akan memenuhi semua kebutuhan.

Kecepatan Pengembangan

Solusi jadi fokus pada konfigurasi daripada implementasi. Sebagai gantinya untuk mengalokasikan sumber daya untuk menentukan apa yang harus dilakukan, tim ML akan fokus pada bagaimana potongan-potongan puzzle yang berbeda akan saling melengkapi. Pendekatan ini memungkinkan perusahaan, peneliti, dan insinyur untuk dengan cepat mengimplementasikan prototipe dan bukti konsep. Sebagai gantinya untuk mengarang roda, solusi jadi memungkinkan untuk memanfaatkan pengetahuan yang ada, sehingga menghemat waktu pengembangan.

Solusi kustom yang diimplementasikan dari awal dikenal lebih lambat dalam hal kecepatan pengembangan. Ini disebabkan oleh kebutuhan pemeliharaan yang meningkat: insinyur harus menentukan baik apa dan bagaimana solusi. Begitu pula, semakin kompleks solusi, semakin banyak waktu sumber daya yang diperlukan untuk memastikan skalabilitas dan ketersediaan saat produksi. Dari perspektif ini, solusi kustom dan upaya waktu adalah proporsional langsung: semakin kompleks solusi, semakin banyak waktu yang dibutuhkan.

Biasanya, bagaimanapun, kebenaran ada di tengah-tengah: basis kode yang ada akan diubah dan disesuaikan dengan kebutuhan proyek saat ini. Seperti halnya pendekatan transfer learning yang terkenal untuk pelatihan model.

Keahlian

Sebagaimana ada banyak lapisan di mana Mesin Pembelajaran dilakukan, ada banyak tingkat keahlian di mana model ML dapat dikembangkan, mulai dari antarmuka kode-bebas hingga membangun model dari awal.

Solusi jadi ada yang memerlukan sangat sedikit keahlian mesin pembelajaran. Dengan menggunakan antarmuka yang intuitif dan bahkan pendekatan drag-and-drop, telah menjadi sangat sederhana bagi siapa saja (dari analis bisnis hingga insinyur perangkat lunak) untuk membangun dan mengirimkan beberapa jenis model mesin pembelajaran. Sementara pendekatan sederhana ini untuk pengembangan model mungkin berfungsi untuk tujuan prototipe, itu tidak mungkin memenuhi persyaratan sistem produksi.

Keahlian masih diperlukan untuk mengkonfigurasi, mengatur, dan memelihara solusi jadi di produksi. Solusi, patch kode, menghubungkan ke antarmuka API yang berbeda, dan menangani masalah penerapan adalah tugas umum yang diperlukan untuk memastikan kinerja model di lingkungan produksi.

Solusi kustom biasanya diimplementasikan pada tingkat infrastruktur dan tidak ada cara untuk menghindarinya: keahlian pasti diperlukan. Tergantung pada ukuran perusahaan dan tujuan proyek, tim multidisiplin mungkin diperlukan untuk memelihara sistem produksi. Ilmuwan data, insinyur ML, dan analis bisnis bekerja sama untuk memahami hasil inferensi dan memelihara model produksi.

Apa yang Harus Anda Gunakan: Model Mesin Pembelajaran Jadi atau Kustom?

Solusi ML akan terdiri dari banyak komponen dan layanan individu yang perlu bergabung sebagai solusi yang kohesif. Ini tidak pernah tentang pergi 100% kustom atau pergi 100% jadi karena berbagai masalah bisnis memerlukan solusi yang berbeda. Lebih sering daripada tidak, solusi berbasis ML dibangun dengan kombinasi keduanya: layanan jadi untuk mengekstrak wawasan umum, dikombinasikan dengan model kustom untuk akurasi yang lebih tinggi dan pemodelan pengetahuan domain-spesifik.

Triknya adalah mengetahui kapan harus mengimplementasikan solusi kustom dari awal dan bagian mana dari proyek yang dapat memanfaatkan keuntungan dari layanan jadi. Ini sangat tergantung pada jenis masalah yang sedang dipecahkan, kebutuhan bisnis, data yang tersedia, dan kendala lingkungan pengembangan secara keseluruhan.

Untuk lebih lanjut tentang AI dan tren teknologi, lihat Josh Miramant, CEO dari Blue Orange Digital’s solusi berbasis data untuk Rantai Pasokan, Otomatisasi Dokumen Kesehatan, dan lebih lanjut.

Anda juga mungkin suka:

Gunakan NLP untuk Mengklasifikasikan Komentar di Media Sosial

Bagaimana Pemrosesan Bahasa Ditingkatkan Melalui Model BERT Open Source Google (GOOGL )