Pengembangan Machine Learning yang Sukses Memerlukan Paradigma Baru – Pemimpin Pikiran

By Victor Thu, presiden, Datatron

Inisiatif yang menggunakan machine learning tidak dapat diperlakukan dengan cara yang sama seperti proyek yang melibatkan perangkat lunak konvensional. Sangat penting untuk bergerak cepat sehingga Anda dapat menguji hal-hal, memperbaiki masalah, dan menguji lagi. Dengan kata lain, Anda harus dapat gagal dengan cepat – dan melakukannya pada awal proses. Menunggu sampai nanti dalam proses untuk menemukan masalah dapat berakhir dengan sangat mahal dan memakan waktu.

AI memerlukan pendekatan baru

Ketika mengembangkan perangkat lunak menggunakan metode tradisional, Anda menggunakan logika keputusan. Untuk menjadi seakurat mungkin, Anda memasukkan logika yang memungkinkan perangkat lunak untuk berfungsi dengan baik. Tidak ada kebutuhan untuk perubahan setelah logika aplikasi telah dikembangkan, kecuali perbaikan bug. Ini adalah proses pengembangan yang sangat metode; Anda maju secara bertahap dengan memastikan setiap langkah dalam proses akurat sebelum melanjutkan ke langkah berikutnya. Ini adalah strategi yang terbukti dan konsisten menunjukkan efektivitasnya untuk pengembangan perangkat lunak.

Namun, Anda tidak dapat menggunakan strategi yang sama untuk proyek AI/ML karena itu tidak akan berhasil. Sebaliknya, Anda perlu memiliki kemampuan untuk beriterasi dengan cepat dan sering untuk menemukan kesuksesan dengan proyek ML. Karena ML memerlukan pelatihan awal dan merupakan proses, Anda harus mendekatinya dengan pengetahuan bahwa itu tidak akan akurat pada saat pertama kali diterapkan.

Proses ini memerlukan beberapa iterasi. Kenyataannya adalah model pertama Anda akan mengalami hasil yang tidak terduga 99% dari waktu. Bahkan jika Anda menghabiskan bulan-bulan melatih model Anda di laboratorium, itu pasti akan berubah ketika menghadapi data dan lalu lintas dunia nyata.

Jangan bertujuan untuk kesempurnaan segera

Jadi, untuk menguji model dan menentukan modifikasi apa yang diperlukan, Anda harus dapat memasukkannya ke dalam produksi dengan cepat. Anda kemudian dapat membuat penyesuaian, merilisnya lagi, dan memperbaikinya. Oleh karena itu, Anda tidak boleh menghabiskan terlalu banyak upaya untuk membuat model Anda sempurna sebelum mengujinya dalam produksi; upaya pertama tidak akan sempurna, dan tidak seorang pun harus mengharapkannya untuk menjadi sempurna.

Ketika model sedang dikembangkan di laboratorium, perbaikan tambahan dari 92% hingga 95% akurasi mungkin tidak signifikan untuk beberapa kasus penggunaan. Mengapa tidak? Hanya sebagian kecil dari data pelatihan yang telah digunakan untuk melatih model AI Anda. Anda dapat menghabiskan banyak waktu dan uang untuk mendapatkan sedikit akurasi tambahan, sementara mengorbankan keuntungan yang mungkin ditawarkan model Anda pada saat yang sama.

Langkah-langkah efektif dalam penerapan ML

Karena ada kemungkinan bahwa model akan gagal atau menghasilkan prediksi yang salah, ilmuwan ML kadang-kadang enggan untuk memasukkan model ke dalam produksi. Ini masuk akal, sampai batas tertentu. Anda memerlukan sistem yang memungkinkan Anda untuk melihat peristiwa saat mereka terjadi dalam waktu nyata. Dengan pendekatan ini, Anda dapat segera menarik dan memperbarui model Anda, lalu segera merilis model baru. Sebagai gantinya, Anda tidak akan terjebak dalam “analisis paralisis,” ini adalah metode paling efisien untuk memasukkan model machine learning ke dalam produksi.

Lebih baik jika Anda hanya meluncurkan model dan membiarkannya mendapatkan pengalaman hidup. Ini tidak menghilangkan kebutuhan bagi ilmuwan data untuk membuat model seakurat mungkin dari awal. Namun, setelah Anda menyelesaikan versi awal, Anda seharusnya segera mulai mengumpulkan data penting itu.

Anda mungkin ingin menjalankan model Anda dalam mode pengujian A/B atau mode bayangan melawan data dunia nyata sebagai bagian dari proses ini. Dengan cara itu, Anda dapat membandingkan kinerja model yang berbeda dan memiliki banyak data dan bukti sebelum memilih model mana yang akan dipromosikan atau diturunkan.

Membangun model lokal daripada memfokuskan pada membuat model global tunggal untuk memprediksi perilaku untuk lingkungan makro adalah praktik terbaik lainnya. Dengan model lokal, Anda dapat menggunakan data dari situasi tertentu sehingga model berperilaku seperti yang diharapkan untuk setiap situasi tersebut. Ini menghemat waktu, data, dan upaya dibandingkan dengan model yang mencakup semua yang akan memerlukan sejumlah besar sumber daya untuk memastikan itu berfungsi.

Menentukan permintaan sepatu kustom akan menjadi contoh di sini. Model global mungkin berlaku untuk sisa Amerika Utara jika itu didasarkan pada populasi New York City. Namun, itu kemungkinan besar tidak akan secara akurat mewakili permintaan di bagian lain negara. Strategi model lokal akan memungkinkan Anda untuk mendapatkan margin keuntungan yang lebih tinggi, yang sekarang Anda lewatkan.

Model memerlukan pembaruan teratur, tentu saja. Model memerlukan pembaruan terus-menerus karena data lingkungan selalu berubah, tidak seperti perangkat lunak tradisional yang dapat diatur sekali dan dibiarkan saja. Model ML memburuk seiring waktu jika tidak diulang secara teratur. Ini harus terjadi selama masa hidup model dan harus dipantau dengan hati-hati.

Paradigma baru machine learning

Membandingkan model machine learning dengan perangkat lunak konvensional tidak bijak. Namun, ahli ML mendapat manfaat dari teknik penerapan cepat untuk model AI/ML, sama seperti insinyur perangkat lunak telah melakukan dengan DevOps. Untuk proyek ML, Anda memerlukan sistem yang membuatnya mungkin untuk meluncurkan model dengan cepat. Anda harus dapat membandingkan model yang berbeda, secara efektif membedakan satu yang hidup dengan yang tidak. Ini dan praktik terbaik lainnya yang disebutkan di atas akan membantu Anda melewati analisis paralisis dan gagal dengan cepat dan awal sehingga Anda dapat menskalakan machine learning Anda.