მანქანათმცოდნეობის წარმატებული განვითარება მოითხოვს ახალ პარადიგმას - აზროვნების ლიდერებს

ვიქტორ ტუ, პრეზიდენტი, დათატრონი

ინიციატივები, რომლებიც იყენებენ მანქანათმცოდნეობას, არ შეიძლება განიხილებოდეს ისე, როგორც პროექტები, რომლებიც მოიცავს ჩვეულებრივ პროგრამულ უზრუნველყოფას. აუცილებელია სწრაფად იმოძრაოთ, რათა შეძლოთ საგნების ტესტირება, პრობლემების გამოსწორება და ხელახლა გამოცდა. სხვა სიტყვებით რომ ვთქვათ, თქვენ უნდა შეძლოთ სწრაფად წარუმატებლობა - და ამის გაკეთება პროცესის დასაწყისშივე. ამ პროცესის შემდეგ ლოდინი პრობლემების მოსაძებნად შეიძლება ძალიან ძვირი და შრომატევადი იყოს.

AI მოითხოვს ახალ მიდგომას

ტრადიციული მეთოდის გამოყენებით პროგრამული უზრუნველყოფის შემუშავებისას, თქვენ იყენებთ გადაწყვეტილების ლოგიკას. რაც შეიძლება ზუსტად რომ ვიყოთ, თქვენ აერთიანებთ ლოგიკას, რომელიც პროგრამულ უზრუნველყოფას გამართულად ფუნქციონირების საშუალებას აძლევს. აპლიკაციის ლოგიკის შემუშავების შემდეგ (ჩვეულებრივ) არ არის საჭირო ცვლილებები, გარდა შეცდომების გამოსწორებისა. ეს ძალიან მეთოდური განვითარების პროცესია; თქვენ თანდათან წინ მიიწევთ და დარწმუნდებით, რომ პროცესის თითოეული ნაბიჯი არის ზუსტი, სანამ შემდეგზე გადახვალთ. ეს არის გამოცდილი და ჭეშმარიტი სტრატეგია, რომელიც მუდმივად აჩვენებდა თავის ეფექტურობას პროგრამული უზრუნველყოფის განვითარებისთვის.

თუმცა, თქვენ არ შეგიძლიათ გამოიყენოთ იგივე სტრატეგია AI/ML პროექტებისთვის, რადგან ის უბრალოდ არ იმუშავებს. ამის ნაცვლად, თქვენ უნდა გქონდეთ სწრაფი და ხშირად გამეორების უნარი, რათა მიაღწიოთ წარმატებას ML პროექტში. ვინაიდან ML მოითხოვს თავდაპირველ ტრენინგს და არის პროცესი, თქვენ უნდა მიუახლოვდეთ მას იმის ცოდნით, რომ ის არ იქნება ზუსტი პირველად განლაგებისას.

ეს პროცესი მოითხოვს მრავალჯერადი გამეორებას. რეალობა ისაა, რომ თქვენი პირველი მოდელი შემთხვევების 99%-ში მოულოდნელ შედეგებს წააწყდება. მაშინაც კი, თუ თვეებს ატარებთ თქვენი მოდელის ლაბორატორიაში ვარჯიშს, ის უდავოდ შეიცვლება, როგორც კი შეხვდება რეალურ სამყაროს მონაცემებსა და ტრაფიკს.

ნუ მიისწრაფვით სრულყოფილებისკენ

ასე რომ, იმისთვის, რომ გამოსცადოთ მოდელი და დაადგინოთ რა ცვლილებებია საჭირო, თქვენ უნდა შეგეძლოთ მისი სწრაფი წარმოება. ამის შემდეგ შეგიძლიათ შეასრულოთ ნებისმიერი კორექტირება, ხელახლა გაათავისუფლოთ და დახვეწოთ. ამ მიზეზით, თქვენ არ უნდა დახარჯოთ ძალიან დიდი ძალისხმევა, რათა სცადოთ თქვენი მოდელი უნაკლო გახადოთ მისი წარმოებაში ტესტირებამდე; თავდაპირველი მცდელობა არ იქნება სრულყოფილი და არავინ უნდა მოელოდეს მას.

სანამ მოდელი მუშავდება ლაბორატორიაში, დამატებითი გაუმჯობესება 92%-დან 95%-მდე სიზუსტით შესაძლოა არ იყოს მნიშვნელოვანი ზოგიერთი გამოყენების შემთხვევაში. Რატომაც არა? ტრენინგის მონაცემების მხოლოდ მცირე ნაწილი იქნა გამოყენებული თქვენი AI მოდელის მოსამზადებლად. თქვენ შეგიძლიათ დაასრულოთ დიდი დროისა და ფულის ინვესტიცია დამატებითი სიზუსტის მოსაპოვებლად, ხოლო ამავდროულად თავიდან აიცილებთ იმ უპირატესობებს, რომლებიც შეიძლება შემოგთავაზოთ თქვენს მოდელს.

ეფექტური ნაბიჯები ML დანერგვაში

იმის გამო, რომ არსებობს შანსი იმისა, რომ მოდელი წარუმატებელი აღმოჩნდეს ან არასწორი პროგნოზები წარმოქმნას, ML მეცნიერები ზოგჯერ თავს არიდებენ მოდელის წარმოებაში. გარკვეულწილად აზრი აქვს. თქვენ გჭირდებათ სისტემა, რომელიც საშუალებას მოგცემთ ნახოთ მოვლენები, როგორც ისინი ხდება რეალურ დროში. ამ მიდგომით, თქვენ შეგიძლიათ დაუყოვნებლივ გაიყვანოთ და განაახლოთ თქვენი მოდელი და შემდეგ სწრაფად გამოუშვათ ახალი მოდელი. „ანალიზის დამბლაში“ ჩაძირვის ნაცვლად, ეს არის ყველაზე ეფექტური მეთოდი მანქანათმცოდნეობის მოდელების წარმოებაში გამოსაყენებლად.

გაცილებით სასურველია მოდელის გაშვება და მას ცხოვრებისეული გამოცდილების მიღების საშუალება. ეს არ გამორიცხავს მონაცემთა მეცნიერების აუცილებლობას შექმნან მოდელი რაც შეიძლება ზუსტად თავიდანვე. მაგრამ როგორც კი დაასრულებთ ამ საწყის ვერსიას, მაშინვე უნდა დაიწყოთ ამ მნიშვნელოვანი მონაცემების შეგროვება.

შეიძლება დაგჭირდეთ თქვენი მოდელების გაშვება A/B ტესტირების რეჟიმში ან ჩრდილის რეჟიმში რეალური სამყაროს მონაცემების წინააღმდეგ, როგორც ამ პროცესის ნაწილი. ამ გზით, თქვენ შეგიძლიათ ძირითადად შეადაროთ სხვადასხვა მოდელების შესრულება და გქონდეთ ბევრი მონაცემი და მტკიცებულება, სანამ აირჩევთ რომელი მოდელის პოპულარიზაციას ან დაქვეითებას.

ლოკალიზებული მოდელის შექმნა და არა ერთიანი გლობალური მოდელის შექმნაზე კონცენტრირება მაკრო გარემოს ქცევის პროგნოზირებისთვის კიდევ ერთი საუკეთესო პრაქტიკაა. ლოკალური მოდელით, შეგიძლიათ გამოიყენოთ მონაცემები კონკრეტული სიტუაციებიდან, რათა მოდელი ისე მოიქცეს, როგორც უნდა თითოეული ამ სცენარისთვის. ეს დაზოგავს დროს, მონაცემებს და ძალისხმევას ყოვლისმომცველ მოდელთან შედარებით, რომელიც მოითხოვს ამ რესურსების მნიშვნელოვან რაოდენობას მისი მუშაობის უზრუნველსაყოფად.

მორგებულ სპორტულ ფეხსაცმელზე მოთხოვნის განსაზღვრა საილუსტრაციოდ გამოდგება. გლობალური მოდელი შეიძლება გამოყენებულ იქნას ჩრდილოეთ ამერიკის დანარჩენ ნაწილზე, თუ იგი დაფუძნებული იქნებოდა ნიუ-იორკის მოსახლეობაზე. თუმცა, ეს ალბათ ზუსტად ვერ წარმოადგენდა მოთხოვნას ქვეყნის სხვა ნაწილებში. ლოკალიზებული მოდელის სტრატეგია მოგცემთ საშუალებას მიიღოთ უფრო მაღალი მოგების მარჟა, რომელსაც ახლა კარგავთ.

რა თქმა უნდა, მოდელები საჭიროებენ რეგულარულ განახლებას. მოდელები საჭიროებენ მუდმივ განახლებებს, რადგან გარემოს მონაცემები ყოველთვის იცვლება, განსხვავებით ტრადიციული პროგრამული უზრუნველყოფისგან, რომელიც შეიძლება ერთხელ დაყენდეს და დარჩეს მარტო. ML მოდელები დროთა განმავლობაში უარესდება, თუ ისინი რეგულარულად არ განმეორდება. ეს უნდა მოხდეს მოდელის სიცოცხლის განმავლობაში და უნდა იყოს ყურადღებით მონიტორინგი.

მანქანათმცოდნეობის ახალი პარადიგმა

მანქანათმცოდნეობის მოდელების შედარება ჩვეულებრივ პროგრამულ უზრუნველყოფას უგუნურია. თუმცა, ML ექსპერტები სარგებლობენ AI/ML მოდელების სწრაფი განლაგების ტექნიკით, ისევე როგორც პროგრამული უზრუნველყოფის ინჟინრებმა გააკეთეს DevOps-თან. ML პროექტებისთვის გჭირდებათ სისტემა, რომელიც შესაძლებელს გახდის მოდელების სწრაფად გაშვებას. თქვენ უნდა შეგეძლოთ სხვადასხვა მოდელების შედარება, ეფექტური კონტრასტული ერთი, რომელიც ცოცხალია და არა. ეს და ზემოთ ნახსენები სხვა საუკეთესო პრაქტიკა დაგეხმარებათ ანალიზის დამბლის გვერდის ავლით და სწრაფად და ადრეულ წარუმატებლობაში, რათა შეძლოთ თქვენი მანქანური სწავლის მასშტაბირება.