Árangursrík þróun vélanáms krefst nýrrar hugmyndafræði – hugsunarleiðtogar

Eftir Victor Thu, forseta, Datatron

Ekki er hægt að meðhöndla frumkvæði sem nota vélanám á sama hátt og verkefni sem fela í sér hefðbundinn hugbúnað. Það er mikilvægt að hreyfa þig hratt svo þú getir prófað hluti, lagað vandamál og prófað þau aftur. Með öðrum orðum, þú verður að geta mistekist fljótt - og gera það snemma í ferlinu. Að bíða þangað til seinna í þessu ferli til að finna vandamál getur endað með því að vera mjög dýrt og tímafrekt.

AI krefst nýrrar nálgunar

Þegar þú þróar hugbúnað með hefðbundinni aðferð notar þú ákvörðunarrökfræði. Til að vera eins nákvæm og þú getur, þá ertu með rökfræði sem gerir hugbúnaðinum kleift að virka rétt. Það er (venjulega) engin þörf á breytingum eftir að rökfræði forritsins hefur verið þróuð, önnur en villuleiðréttingar. Það er mjög aðferðafræðilegt þróunarferli; þú ferð smám saman með því að ganga úr skugga um að hvert skref í ferlinu sé nákvæmt áður en þú ferð yfir í það næsta. Þetta er reynd og sönn stefna sem hefur stöðugt sýnt fram á skilvirkni sína fyrir hugbúnaðarþróun.

Hins vegar geturðu ekki notað sömu stefnu fyrir gervigreind/ML verkefni vegna þess að það einfaldlega virkar ekki. Þess í stað þarftu að hafa getu til að endurtaka hratt og oft til að ná árangri með ML verkefni. Þar sem ML krefst frumþjálfunar og er ferli, ættir þú að nálgast það með vissu um að það verður ekki nákvæmt í fyrsta skipti sem það er notað.

Þetta ferli kallar á margar endurtekningar. Raunveruleikinn er sá að fyrsta líkanið þitt mun lenda í óvæntum árangri 99% tilvika. Jafnvel ef þú eyðir mánuðum í að þjálfa líkanið þitt í rannsóknarstofunni mun það án efa breytast þegar það rekst á raunveruleg gögn og umferð.

Ekki miða við tafarlausa fullkomnun

Svo þá, til að prófa líkan og ákvarða hvaða breytingar eru nauðsynlegar, verður þú að geta sett það í framleiðslu hratt. Þú getur síðan gert hvaða breytingar sem er, sleppt því aftur og betrumbætt það. Af þessum sökum ættir þú ekki að leggja of mikla vinnu í að reyna að gera líkanið þitt gallalaust áður en þú prófar það í framleiðslu; upphafstilraunin verður ekki fullkomin og enginn ætti að búast við því.

Á meðan líkanið er þróað í rannsóknarstofunni gætu viðbótarbæturnar frá 92% í 95% nákvæmni ekki verið mikilvægar fyrir sum notkunartilvik. Af hverju ekki? Aðeins lítill hluti þjálfunargagnanna hefur verið notaður til að þjálfa gervigreindarlíkanið þitt. Þú getur endað með því að fjárfesta miklum tíma og peningum til að fá auka nákvæmni á meðan þú sleppir þeim kostum sem líkanið þitt gæti boðið þér á meðan.

Árangursrík skref í uppsetningu ML

Vegna þess að það er möguleiki á að líkan muni mistakast eða gefa rangar spár, eru ML vísindamenn stundum tregir til að setja líkan í framleiðslu. Það er skynsamlegt, að vissu marki. Þú þarft kerfi sem gerir þér kleift að skoða atburði eins og þeir gerast í rauntíma. Með þessari nálgun geturðu strax dregið og uppfært líkanið þitt og síðan sleppt nýrri gerð strax. Í stað þess að festast í „greiningarlömun“ er þetta skilvirkasta aðferðin til að setja vélanámslíkön í framleiðslu.

Það er miklu æskilegra að setja líkanið á markað og leyfa því að öðlast lífsreynslu. Þetta útilokar ekki nauðsyn gagnafræðinga til að búa til líkanið eins nákvæmlega og hægt er frá upphafi. En um leið og þú klárar þá upphaflegu útgáfu ættirðu að byrja að safna þessum mikilvægu gögnum strax.

Þú gætir viljað keyra líkönin þín í A/B prófunarham eða skuggaham gegn raunverulegum gögnum sem hluti af þessu ferli. Þannig geturðu í grundvallaratriðum borið saman frammistöðu hinna ýmsu líkana og haft mikið af gögnum og sönnunum áður en þú velur hvaða líkan á að kynna eða lækka.

Að byggja upp staðbundið líkan frekar en að einbeita sér að því að búa til eitt hnattrænt líkan til að spá fyrir um hegðun fyrir þjóðhagsumhverfið er önnur bestu framkvæmd. Með staðbundnu líkani geturðu notað gögn frá tilteknum aðstæðum þannig að líkanið hegði sér eins og það ætti fyrir hverja þessara atburðarása. Þetta sparar tíma, gögn og fyrirhöfn miðað við alltumlykjandi líkan sem myndi krefjast verulegs magns af þessum auðlindum til að tryggja að það virki.

Ákvörðun eftirspurnar eftir sérsniðnum strigaskóm mun þjóna sem mynd hér. Alheimslíkanið gæti átt við um restina af Norður-Ameríku ef það væri byggt á íbúa New York borgar. Samt myndi það líklega ekki tákna eftirspurn í öðrum landshlutum nákvæmlega. Staðbundin fyrirmyndarstefna hefði gert þér kleift að ná hærri hagnaðarmörkum, sem þú tapar nú á.

Líkön þurfa að sjálfsögðu reglulega uppfærslu. Líkön þurfa sífelldar uppfærslur vegna þess að gögn umhverfisins eru alltaf að breytast, öfugt við hefðbundinn hugbúnað sem hægt er að stilla einu sinni og láta í friði. ML líkön versna með tímanum ef þau eru ekki endurtekin reglulega. Þetta verður að eiga sér stað á líftíma líkansins og þarf að fylgjast vel með því.

Ný hugmyndafræði vélanáms

Það er óskynsamlegt að bera saman vélanámslíkön við hefðbundinn hugbúnað. Hins vegar hagnast ML sérfræðingar á hraðri dreifingartækni fyrir gervigreind/ML módel, rétt eins og hugbúnaðarverkfræðingar hafa gert með DevOps. Fyrir ML verkefni þarftu kerfi sem gerir það mögulegt að skjóta líkönum af stað. Þú verður að vera fær um að bera saman mismunandi gerðir, í raun og veru andstæða einni sem er í beinni og annarri sem er það ekki. Þessar og aðrar bestu starfsvenjur sem nefnd eru hér að ofan munu aðstoða þig við að komast framhjá greiningarlömun og mistakast fljótt og snemma svo þú getir stækkað vélanám þitt.