Sukcesywne rozwijanie maszynowego uczenia się wymaga nowego paradygmatu – Liderzy myśli

Przez Victora Thu, prezes, Datatron

Inicjatywy wykorzystujące maszynowe uczenie się nie mogą być traktowane w ten sam sposób, co projekty zaangażowane w konwencjonalne oprogramowanie. Niezwykle ważne jest to, aby poruszać się szybko, aby można było testować, naprawiać problemy i testować ponownie. Innymi słowy, musisz być w stanie szybko zawieść – i zrobić to wcześnie w procesie. Czekanie, aż problemy zostaną znalezione później w tym procesie, może okazać się bardzo kosztowne i czasochłonne.

AI wymaga nowego podejścia

Podczas tworzenia oprogramowania przy użyciu tradycyjnej metody, używa się logiki decyzyjnej. Aby być jak najbardziej precyzyjnym, włączasz logikę, która pozwala oprogramowaniu działać prawidłowo. Zazwyczaj nie ma potrzeby wprowadzania zmian po opracowaniu logiki aplikacji, poza naprawą błędów. Jest to bardzo metodyczny proces rozwoju; stopniowo postępujesz, upewniając się, że każdy krok w procesie jest dokładny, zanim przejdziesz do następnego. Jest to sprawdzona strategia, która wykazała swoją skuteczność w rozwoju oprogramowania.

Jednak nie możesz używać tej samej strategii dla projektów AI/ML, ponieważ po prostu nie zadziała. Zamiast tego, musisz mieć możliwość iterowania szybko i często, aby odnieść sukces w projekcie ML. Ponieważ ML wymaga początkowego szkolenia i jest procesem, powinieneś podejść do niego z wiedzą, że nie będzie dokładny od samego początku.

Ten proces wymaga wielu iteracji. Rzeczywistość jest taka, że twoje pierwsze modele napotkają nieoczekiwane wyniki 99% czasu. Nawet jeśli spędzisz miesiące szkoląc swój model w laboratorium, na pewno zmieni się on, gdy spotka się z prawdziwymi danymi i ruchem.

Nie dąż do natychmiastowej perfekcji

Więc, aby przetestować model i określić, jakie modyfikacje są wymagane, musisz być w stanie wprowadzić go do produkcji szybko. Możesz następnie wprowadzić jakiekolwiek dostosowania, wydać go ponownie i udoskonalić. Z tego powodu nie powinieneś wkładać zbyt dużej ilości wysiłku w próby uczynienia swojego modelu bezbłędnym przed przetestowaniem go w produkcji; pierwsza próba nie będzie idealna, i nikt nie powinien oczekiwać, że będzie.

Podczas gdy model jest rozwijany w laboratorium, dodatkowe ulepszenia od 92% do 95% dokładności mogą nie być znaczące dla niektórych przypadków użycia. Dlaczego? Tylko niewielka część danych szkoleniowych została użyta do szkolenia twojego modelu AI. Możesz stracić dużo czasu i pieniędzy, aby uzyskać dodatkowy kawałek dokładności, rezygnując z korzyści, które twój model mógłby ci zapewnić w międzyczasie.

Skuteczne kroki w wdrożeniu ML

Ponieważ istnieje szansa, że model może zawieść lub wygenerować błędne przewidywania, naukowcy ML są czasem niechętni do wdrożenia modelu w produkcji. Ma to sens, do pewnego stopnia. Potrzebujesz systemu, który pozwala ci widzieć zdarzenia w czasie rzeczywistym. Z tego podejścia możesz natychmiast pociągnąć i zaktualizować swój model, a następnie szybko wydać nowy model. Zamiast popaść w “paraliż analizy”, jest to najbardziej efektywny sposób wdrażania modeli maszynowego uczenia się w produkcji.

ZNacznie lepiej jest po prostu wydać model i pozwolić mu zdobyć nieco doświadczenia. Nie eliminuje to konieczności dla naukowców danych, aby stworzyć model jak najdokładniej od samego początku. Ale jak tylko skończysz tę pierwszą wersję, powinieneś natychmiast zacząć gromadzić te ważne dane.

Możesz chcieć uruchomić swoje modele w trybie testowania A/B lub trybie cieniowym przeciwko prawdziwym danym jako część tego procesu. W ten sposób możesz porównać wydajność różnych modeli i mieć wiele danych i dowodów, zanim zdecydujesz, który model promować lub degradować.

Inną najlepszą praktyką jest tworzenie modelu zlokalizowanego, zamiast koncentrowania się na tworzeniu jednego globalnego modelu do prognozowania zachowania w makrośrodowisku. Z modelem lokalnym możesz używać danych z określonych sytuacji, aby model zachowywał się tak, jak powinien, w każdej z tych sytuacji. To oszczędza czas, dane i wysiłek w porównaniu z modelem ogólnym, który wymagałby dużej ilości tych zasobów, aby działał.

Określanie popytu na spersonalizowane buty będzie tu przykładem. Globalny model mógłby być odpowiedni dla reszty Ameryki Północnej, jeśli był oparty na populacji Nowego Jorku. Jednak prawdopodobnie nie odzwierciedlałby dokładnie popytu w innych częściach kraju. Strategia modelu zlokalizowanego pozwoliłaby ci uzyskać wyższe marże zysku, które teraz tracisz.

Modele wymagają regularnych aktualizacji, oczywiście. Modele wymagają ciągłych aktualizacji, ponieważ dane środowiska są zawsze zmienne, w przeciwieństwie do tradycyjnego oprogramowania, które można ustawić raz i pozostawić. Modele ML ulegają degradacji w czasie, jeśli nie są iterowane regularnie. To musi nastąpić w trakcie całego życia modelu i musi być ściśle monitorowane.

Nowy paradygmat maszynowego uczenia się

Porównywanie modeli maszynowego uczenia się do konwencjonalnego oprogramowania jest nierozsądne. Jednak eksperci ML korzystają z szybkiej techniki wdrażania modeli AI/ML, podobnie jak inżynierowie oprogramowania zrobili to z DevOps. Do projektów ML potrzebujesz systemu, który umożliwia szybkie wdrożenie modeli. Musisz być w stanie porównać różne modele, skutecznie kontrastując jeden, który jest aktywny, z tym, który nie jest. Te i inne najlepsze praktyki wymienione powyżej pomogą ci ominąć paraliż analizy i szybko zawieść na wczesnym etapie, abyś mógł skalować swoje maszynowe uczenie się.