Andrew Ng Di Fêrbûna Makîneyê de Çanda Zêdetirbûnê rexne dike

Andrew Ng, yek ji dengbêjên herî bibandor di fêrbûna makîneyê de di deh salên dawî de, naha fikarên xwe der barê radeya ku sektor li ser daneyan di mîmariya modelê de nûbûnên giran dike - û bi taybetî, asta ku ew destûrê dide encamên 'zêdetir' wekî çareserî an pêşkeftinên gelemperî têne xuyang kirin.

Vana rexneyên berfireh ên çanda fêrbûna makîneyê ya heyî ne, ku ji yek ji rayedarên wê yên herî bilind derdikevin, û ji bo pêbaweriya li sektorek ku ji tirsên li ser hilweşîna sêyemîn pêbaweriya karsaziyê di pêşkeftina AI-ê de di navberek şêst salan de.

Ng, profesorek li zanîngeha Stanfordê, di heman demê de yek ji damezrînerên deeplearning.ai-yê ye, û di meha Adarê de pirtûkek weşand. missive li ser malpera rêxistinê ku distilandin a axaftina dawî ji çend pêşniyarên wî yên bingehîn:

Ya yekem, ku civaka lêkolînê divê dev ji gilîkirinê berde ku paqijkirina daneyan% 80 ji kêşeyên di fêrbûna makîneyê de temsîl dike, û dest bi karê pêşxistina metodolojî û pratîkên MLOps-ê yên bihêz bike.

Ya duyemîn, ku divê ew ji 'serkeftinên hêsan' ên ku dikarin bi daneheva zêde bi modela fêrbûna makîneyê ve werin bidestxistin dûr bikevin, da ku ew li ser wê modelê baş bimeşîne lê nekare modelek bi berfirehî ya birêkûpêk çêbike.

Qebûlkirina Pirsgirêka Mîmarî û Rêvebiriya Daneyê

'Nêrîna min', Ng nivîsand. 'Eger ji sedî 80 ê xebata me amadekirina daneyê be, wê hingê misogerkirina kalîteya daneyê karê girîng a tîmek fêrbûna makîneyê ye.'

Wî berdewam kir

"Li şûna ku em li ser endezyarên ku şansê xwe bidin ser awayê çêtirîn ji bo baştirkirina databasê, ez hêvî dikim ku em dikarin amûrên MLOps-ê pêşve bibin ku ji avakirina pergalên AI-ê re dibin alîkar, di nav de avakirina danehevên kalîteya bilind, dubarekirin û bi pergaltir.

'MLOps qadek nûjen e, û mirovên cihêreng wê bi rengek cûda pênase dikin. Lê ez difikirim ku prensîba organîzekirina herî girîng a tîm û amûrên MLOps divê ev be ku di hemî qonaxên projeyekê de herikîna daneya hevgirtî û bi kalîte misoger bike. Ev ê bibe alîkar ku gelek proje bi rihetî bimeşin.'

Di weşanek zindî de li ser Zoom diaxive Rûniştina Q & A di dawiya Nîsanê de, Ng li ser kêmbûna sepanê di pergalên analîzkirina fêrbûna makîneyê de ji bo radyolojiyê re got:

"Derket ku dema ku em daneyan ji Nexweşxaneya Stanford berhev dikin, wê hingê em li ser daneyên heman nexweşxaneyê perwerde dikin û ceribandinê dikin, bi rastî, em dikarin kaxezên ku destnîşan dikin [algorîtmayên] bi radyologên mirovan re di dîtina hin mercan de têne berhev kirin biweşînin.

"…[Dema ku] hûn heman modelê, heman pergala AI-ê, bi makîneyek kevntir ve dibin nexweşxaneyek kevn a li kolanê, û teknîsyen protokolek wênekêşiyê hinekî cûda bikar tîne, ew dane diherike ku dibe sedema performansa pergala AI-ê. bi awayekî berbiçav xirab dike. Berevajî vê, her radyologek mirovî dikare li kolanê bimeşe nexweşxaneya kevin û baş bike.

Bin-specification Ne Çareseriyek e

Zêdebûn çêdibe dema ku modelek fêrbûna makîneyê bi taybetî hatî sêwirandin da ku lihevhatinên danûstendinek taybetî bicîh bîne (an awayê ku dane têne format kirin). Ev dikare, mînakî, diyarkirina giraniyên ku dê encamên baş ji wê databasê derxîne, lê dê li ser daneyên din 'giştî' neke.

Di gelek rewşan de, pîvanên weha li ser aliyên 'ne-dane' yên koma perwerdehiyê têne destnîşankirin, wek mînak çareseriya taybetî ya agahdariya berhevkirî, an celebên din ên ku ne garantî ne ku ji nû ve di nav daneyên din ên paşîn de çêbibin.

Her çend ew ê xweş be jî, zêde guncan ne pirsgirêkek e ku bi korbûna berferehkirin an nermbûna mîmariya daneyê an sêwirana modelê ve were çareser kirin, dema ku tiştê ku bi rastî hewce ye taybetmendiyên pir bikêrhatî û pir berbiçav in ku dê di nav rêzek daneyan de baş tevbigerin. jîngeh - dijwariyek dijwar.

Bi gelemperî, ev celeb 'bin-teybetmendî' tenê dibe sedema pirsgirêkên ku Ng van demên dawî diyar kiriye, ku modelek fêrbûna makîneyê li ser daneyên nedîtî têk diçe. Cûdahî di vê rewşê de ev e ku model têk diçe ne ji ber ku dane an formata daneyê ji berhevoka perwerdehiya orîjînal a serhêl cuda ye, lê ji ber ku model ji pir şikestî pir maqûl e.

Di dawiya sala 2020-an de kaxez Di Fêrbûna Makîneya Nûjen de Zehmetkêşan ji bo pêbaweriyê pêşkêş dike rexneyên tund li dijî vê pêkanînê kirin, û navên ne kêmî çil lêkolîner û zanyarên fêrbûna makîneyê ji Google û MIT, di nav saziyên din de, li xwe kirin.

Kaxez rexne li 'fêrbûna kurtebir' dike, û awayê ku modelên ne diyarkirî dikarin li ser tangentên çolê li ser bingeha xala tovê ya rasthatî ya ku tê de perwerdehiya modelê dest pê dike, bişopîne. Beşdar destnîşan dikin:

'Me dît ku di lûleyên fêrbûna makîneya pratîkî de li gelek domanan de kêmasîkirin berbelav e. Bi rastî, bi saya kêmasîkirinê, aliyên girîng ên biryaran bi vebijarkên keyfî yên wekî tovê rasthatî ku ji bo destpêkirina parametreyê tê bikar anîn têne destnîşankirin.'

Rêbazên Aborî yên Guherîna Çandê

Tevî pêbaweriyên xwe yên zanistî, Ng ne akademîsyenek hewa ye, lê wekî hev-avakarê Google Brain û Coursera, wekî serekê zanyarê berê yê Daneyên Mezin û AI-ê li Baidu, xwedan ezmûna pîşesaziya kûr û astek bilind e. avaker ya Landing AI, ku 175 mîlyon dolar USD ji bo destpêka sektora nû birêve dibe.

Gava ku ew dibêje "Hemû AI-ê, ne tenê lênihêrîna tenduristî, xwedan valahiyek delîl-têgihê-ber-hilberînê ye", ew wekî hişyariyek ji sektorek re tê armanc kirin ku asta wê ya hîpertansiyonê û dîroka nixumandî her ku diçe zêde dibe wekî veberhênanek karsaziyek demdirêj a nediyar, dorpêç kirin ji hêla pirsgirêkên pênase û çarçovê ve.

Digel vê yekê, pergalên fêrbûna makîneyê yên xwedan ku di cîh de baş tevdigerin û li hawîrdorên din têk diçin, celebek girtina bazarê ye ku dikare veberhênana pîşesaziyê xelat bike. Di çarçoweya xetereya pîşeyî de pêşkêşkirina 'pirsgirêka zêde bikêrhatî' rêyek nerast pêşkêşî dike. monetize veberhênana pargîdanî di lêkolîna çavkaniya vekirî de, û hilberîna pergalên xwedan (bi bandor) li cihê ku dubarekirina ji hêla hevrikan ve gengaz e, lê pirsgirêk e.

Gelo ev nêzîkatî dê di demek dirêj de bixebite an na, bi wê radeyê ve girêdayî ye ku heya çi qas pêşkeftinên rastîn di fêrbûna makîneyê de hewce dike astên veberhênanê her gav mezintir, û gelo dê hemî destpêşxeriyên hilberdar bi neçarî heya radeyekê koçî FAANG bikin, ji ber çavkaniyên kolos ên ku ji bo mêvandarî û xebatan hewce ne.