Dezvoltarea cu succes a învățării mașinilor necesită un nou paradigme – Lideri de gândire

De Victor Thu, președinte, Datatron

Inițiativele care utilizează învățarea mașinilor nu pot fi tratate în același mod ca proiectele care implică software-ul convențional. Este imperativ să se acționeze rapid, astfel încât să se poată testa lucrurile, să se remedieze problemele și să se testeze din nou. Cu alte cuvinte, trebuie să puteți eșua rapid – și să faceți acest lucru devreme în proces. Așteptarea până mai târziu în acest proces pentru a găsi probleme poate fi foarte costisitoare și consumatoare de timp.

Inteligența artificială necesită o abordare nouă

Atunci când se dezvoltă software utilizând metoda tradițională, se utilizează logica decizională. Pentru a fi cât mai precis posibil, se incorporează logica care permite software-ului să funcționeze corect. De obicei, nu există nevoie de modificări după ce logica aplicației a fost dezvoltată, cu excepția corectării erorilor. Este un proces de dezvoltare foarte metodic; se progresează treptat, asigurându-se că fiecare pas în proces este precis înainte de a trece la următorul. Este o strategie testată și dovedită care a demonstrat în mod constant eficacitatea sa pentru dezvoltarea software-ului.

Cu toate acestea, nu puteți utiliza aceeași strategie pentru proiectele AI/ML, deoarece pur și simplu nu va funcționa. În schimb, trebuie să aveți capacitatea de a itera rapid și frecvent pentru a găsi succesul cu un proiect ML. Deoarece ML necesită o pregătire inițială și este un proces, trebuie să abordați acesta cu cunoștința că nu va fi precis din prima dată când este implementat.

Acest proces necesită multiple iterații. Realitatea este că primul model va întâlni rezultate neașteptate de 99% din timp. Chiar dacă petreceți luni pentru a pregăti modelul dvs. în laborator, acesta va suferi cu siguranță modificări odată ce va întâlni date și trafic din lumea reală.

Nu vizați perfecțiunea imediată

Prin urmare, pentru a testa un model și a determina ce modificări sunt necesare, trebuie să puteți să-l puneți în producție rapid. Apoi, puteți face orice ajustări, lansați-l din nou și rafinați-l. Din acest motiv, nu trebuie să puneți prea mult efort în încercarea de a face modelul dvs. perfect înainte de a-l testa în producție; încercarea inițială nu va fi perfectă, și nimeni nu trebuie să se aștepte ca acesta să fie.

În timp ce modelul este dezvoltat în laborator, îmbunătățirile suplimentare de la 92% la 95% precisie nu pot fi semnificative pentru anumite cazuri de utilizare. De ce? Doar o mică parte a datelor de pregătire a fost utilizată pentru a pregăti modelul dvs. AI. Puteți ajunge să investiți mult timp și bani pentru a obține acea mică parte de precisie, în timp ce renunțați la avantajele pe care modelul dvs. le-ar putea oferi în timpul acesta.

Pasi eficienți în implementarea ML

Deoarece există o șansă ca un model să eșueze sau să producă previziuni incorecte, ocazional, oamenii de știință ML sunt reticenți să pună un model în producție. Acest lucru are sens, până la un anumit punct. Aveți nevoie de un sistem care vă permite să vizualizați evenimentele pe măsură ce acestea au loc în timp real. Cu această abordare, puteți retrage și actualiza modelul dvs. imediat și apoi lansați rapid un model nou. În loc să vă împotmoliți în “paralizia analizei”, aceasta este cea mai eficientă metodă pentru a pune modelele de învățare mașinilor în producție.

Este mult mai bine să lansați pur și simplu modelul și să-l lăsați să câștige experiență. Acest lucru nu elimină nevoia ca oamenii de știință din domeniul datelor să creeze modelul cât mai precis posibil din start. Dar imediat ce finalizați acea versiune inițială, ar trebui să începeți să colectați aceste date importante imediat.

Puteți dori să rulați modelele dvs. în modul de testare A/B sau în modul de umbră împotriva datelor din lumea reală, ca parte a acestui proces. În acest fel, puteți compara, în esență, performanțele diferitelor modele și puteți avea multe date și dovezi înainte de a alege care model să promovați sau să demotați.

Construirea unui model localizat, în loc de a vă concentra pe crearea unui singur model global pentru a prevedea comportamentul pentru macro-mediu, este o altă practică bună. Cu un model local, puteți utiliza date din situații specifice, astfel încât modelul să se comporte așa cum trebuie pentru fiecare dintre aceste scenarii. Acest lucru vă economisește timp, date și efort, comparativ cu un model cuprinzător care ar necesita o cantitate semnificativă de resurse pentru a funcționa.

Determinarea cererii de încălțăminte personalizate va servi ca exemplu aici. Modelul global ar putea fi aplicabil pentru restul Americii de Nord, dacă ar fi bazat pe populația din New York. Cu toate acestea, este probabil că nu ar reprezenta cu acuratețe cererea din alte părți ale țării. O strategie de model localizat v-ar fi permis să obțineți marje de profit mai mari, pe care le pierdeți acum.

Modelele necesită actualizări regulate, desigur. Modelele necesită actualizări continue, deoarece datele mediului sunt întotdeauna în schimbare, în contrast cu software-ul tradițional, care poate fi setat o dată și lăsat singur. Modelele ML se degradează în timp, dacă nu se iterează în mod regulat. Acest lucru trebuie să aibă loc pe parcursul vieții modelului și trebuie monitorizat cu atenție.

Paradigma nouă a învățării mașinilor

Comparați modelele de învățare mașinilor cu software-ul convențional este nefast. Cu toate acestea, experții ML beneficiază de o tehnică de implementare rapidă pentru modelele AI/ML, la fel cum inginerii software au făcut-o cu DevOps. Pentru proiectele ML, aveți nevoie de un sistem care face posibilă lansarea rapidă a modelelor. Trebuie să puteți compara diferite modele, contrastând eficient unul care este live cu unul care nu este. Acestea și celelalte practici bune menționate mai sus vă vor ajuta să evitați paralizia analizei și să eșuați rapid și devreme, astfel încât să puteți scala învățarea mașinilor.