Desenvolvimento de Aprendizado de Máquina Bem-Sucedido Requer um Novo Paradigma – Líderes de Pensamento

Por Victor Thu, presidente, Datatron

Iniciativas que utilizam aprendizado de máquina não podem ser tratadas da mesma maneira que projetos que envolvem software convencional. É fundamental mover-se rapidamente para que você possa testar coisas, corrigir problemas e testá-las novamente. Em outras palavras, você deve ser capaz de falhar rapidamente – e fazer isso cedo no processo. Esperar até mais tarde no processo para encontrar problemas pode acabar sendo muito caro e demorado.

O AI requer uma nova abordagem

Quando se desenvolve software usando o método tradicional, você usa lógica de decisão. Para ser o mais preciso possível, você incorpora lógica que permite que o software funcione corretamente. Normalmente, não há necessidade de alterações após a lógica do aplicativo ter sido desenvolvida, a não ser para correções de bugs. É um processo de desenvolvimento muito metódico; você avança gradualmente, garantindo que cada etapa do processo seja precisa antes de prosseguir para a próxima. É uma estratégia testada e comprovada que demonstrou sua eficácia consistentemente para o desenvolvimento de software.

No entanto, você não pode usar a mesma estratégia para projetos de AI/ML, pois simplesmente não funcionará. Em vez disso, você precisa ter a capacidade de iterar rapidamente e com frequência para encontrar sucesso com um projeto de ML. Como o ML requer treinamento inicial e é um processo, você deve abordá-lo com o conhecimento de que não será preciso da primeira vez que for implantado.

Esse processo exige múltiplas iterações. A realidade é que seu primeiro modelo encontrará resultados inesperados 99% das vezes. Mesmo que você gaste meses treinando seu modelo no laboratório, ele mudará inevitavelmente quando encontrar dados e tráfego do mundo real.

Não busque a perfeição imediata

Então, para testar um modelo e determinar quais modificações são necessárias, você deve ser capaz de colocá-lo em produção rapidamente. Você pode fazer ajustes, lançá-lo novamente e refiná-lo. Por esse motivo, você não deve colocar muito esforço em tentar tornar seu modelo perfeito antes de testá-lo em produção; a primeira tentativa não será perfeita, e ninguém deve esperar que seja.

Enquanto o modelo está sendo desenvolvido no laboratório, os melhoramentos adicionais de 92% para 95% de precisão podem não ser significativos para alguns casos de uso. Por quê? Apenas uma pequena parte dos dados de treinamento foi usada para treinar seu modelo de AI. Você pode acabar investindo muito tempo e dinheiro para obter o pouco acréscimo de precisão, enquanto deixa de lado os benefícios que seu modelo pode oferecer no meio do caminho.

Passos eficazes no deploy de ML

Como há a possibilidade de um modelo falhar ou produzir previsões incorretas, cientistas de ML às vezes são relutantes em colocar um modelo em produção. Isso faz sentido, até certo ponto. Você precisa de um sistema que permita visualizar eventos à medida que ocorrem em tempo real. Com essa abordagem, você pode imediatamente retirar e atualizar seu modelo e, em seguida, lançar rapidamente um novo modelo. Em vez de se perder na “paralisia da análise”, essa é a maneira mais eficiente de colocar modelos de aprendizado de máquina em produção.

É muito melhor simplesmente lançar o modelo e deixá-lo ganhar experiência. Isso não elimina a necessidade de os cientistas de dados criarem o modelo com a máxima precisão possível desde o início. Mas assim que você termina essa versão inicial, você deve começar a coletar esses dados importantes imediatamente.

Você pode querer executar seus modelos no modo de teste A/B ou modo de sombra contra dados do mundo real como parte desse processo. Dessa forma, você pode basicamente comparar os desempenhos dos vários modelos e ter muitos dados e provas antes de escolher qual modelo promover ou rebaixar.

Construir um modelo localizado em vez de se concentrar em criar um modelo global para prever o comportamento do ambiente macro é outra prática recomendada. Com um modelo local, você pode usar dados de situações específicas para que o modelo se comporte como deve para cada uma dessas situações. Isso economiza tempo, dados e esforço em comparação com um modelo abrangente que exigiria uma grande quantidade desses recursos para funcionar.

Determinar a demanda por tênis personalizados servirá como exemplo aqui. O modelo global pode ser aplicável ao resto da América do Norte se fosse baseado na população de Nova York. No entanto, provavelmente não representaria com precisão a demanda em outras partes do país. Uma estratégia de modelo localizado teria permitido que você obtivesse margens de lucro mais altas, que agora você está perdendo.

Os modelos exigem atualizações regulares, é claro. Os modelos exigem atualizações contínuas porque os dados do ambiente estão sempre mudando, ao contrário do software tradicional que pode ser configurado uma vez e deixado sozinho. Os modelos de ML se deterioram com o tempo se não forem iterados regularmente. Isso deve ocorrer durante a vida útil do modelo e deve ser monitorado cuidadosamente.

O novo paradigma do aprendizado de máquina

Comparar modelos de aprendizado de máquina com software convencional não é sábio. No entanto, especialistas em ML se beneficiam de uma técnica de implantação rápida para modelos de AI/ML, assim como os engenheiros de software fizeram com o DevOps. Para projetos de ML, você precisa de um sistema que permita implantar modelos rapidamente. Você deve ser capaz de comparar diferentes modelos, contrastando eficazmente um que está ativo com um que não está. Essas e as outras práticas recomendadas mencionadas acima ajudarão você a evitar a paralisia da análise e a falhar rapidamente e cedo, para que você possa dimensionar seu aprendizado de máquina.