Успешное развитие машинного обучения требует нового подхода – лидеры мнений

Виктор Тху, президент Datatron

Инициативы, использующие машинное обучение, не могут быть behandelt в том же порядке, что и проекты, включающие традиционное программное обеспечение. Необходимо быстро действовать, чтобы протестировать все, исправить проблемы и снова протестировать. Другими словами, вы должны иметь возможность быстро исправлять ошибки – и делать это на ранней стадии процесса. Если подождать до более поздней стадии процесса, чтобы обнаружить проблемы, это может оказаться очень дорогим и трудоемким.

ИИ требует нового подхода

При разработке программного обеспечения традиционным методом вы используете логические правила. Чтобы быть как можно более точным, вы включаете логику, которая позволяет программному обеспечению функционировать правильно. Обычно нет необходимости в изменениях после того, как логика приложения была разработана, кроме исправления ошибок. Это очень методичный процесс разработки; вы постепенно продвигаетесь вперед, обеспечивая точность каждого шага перед переходом к следующему. Это проверенная стратегия, которая последовательно демонстрирует свою эффективность для разработки программного обеспечения.

Однако вы не можете использовать одну и ту же стратегию для проектов ИИ/МО, поскольку она просто не сработает. Вместо этого вам необходимо иметь возможность быстро и часто итерировать, чтобы добиться успеха в проекте МО. Поскольку МО требует первоначальной подготовки и является процессом, вы должны подходить к нему с знанием того, что он не будет точным при первом развертывании.

Этот процесс требует множества итераций. Реальность такова, что ваша первая модель столкнется с неожиданными результатами 99% времени. Даже если вы потратите месяцы на обучение вашей модели в лаборатории, она, безусловно, изменится, когда столкнется с реальными данными и трафиком.

Не стремитесь к немедленному совершенству

Итак, чтобы протестировать модель и определить, какие изменения необходимы, вы должны иметь возможность быстро развернуть ее в производстве. Затем вы можете сделать любые необходимые корректировки, выпустить ее снова и усовершенствовать. По этой причине вы не должны тратить слишком много усилий на то, чтобы сделать вашу модель идеальной до того, как протестировать ее в производстве; первая попытка не будет идеальной, и никто не должен ожидать, что она будет.

Пока модель разрабатывается в лаборатории, дополнительные улучшения с 92% до 95% точности могут не быть существенными для некоторых случаев использования. Почему? Только небольшая часть обучающих данных была использована для обучения вашей модели ИИ. Вы можете потратить много времени и денег, чтобы получить дополнительную точность, при этом отказываясь от преимуществ, которые ваша модель может предложить вам в meantime.

Эффективные шаги в развертывании МО

Поскольку существует вероятность того, что модель может не сработать или дать неверные прогнозы, ученые-исследователи МО иногда неохотно развертывают модель в производстве. Это имеет смысл до определенной степени. Вам необходима система, которая позволяет вам просматривать события в режиме реального времени. С этим подходом вы можете сразу же извлечь и обновить вашу модель, а затем быстро выпустить новую модель. Вместо того, чтобы застрять в “аналитическом параличе”, это самый эффективный способ развертывания моделей МО.

Гораздо лучше просто запустить модель и позволить ей получить некоторый жизненный опыт. Это не исключает необходимости для ученых-исследователей создать модель как можно более точно с самого начала. Но как только вы завершите эту первоначальную версию, вы должны сразу же начать собирать эти важные данные.

Вы можете хотеть запустить ваши модели в режиме тестирования А/Б или тень против реальных данных в рамках этого процесса. Таким образом, вы можете по сути сравнить производительность различных моделей и иметь много данных и доказательств, прежде чем выбрать, какую модель продвигать или понижать.

Создание локальной модели вместо того, чтобы сосредоточиться на создании единой глобальной модели для прогнозирования поведения макроокружения, является еще одной лучшей практикой. С локальной моделью вы можете использовать данные из конкретных ситуаций, чтобы модель работала так, как она должна для каждой из этих ситуаций. Это экономит время, данные и усилия по сравнению с всеобъемлющей моделью, которая потребовала бы значительного количества этих ресурсов, чтобы она работала.

Определение спроса на индивидуальные кроссовки может служить примером здесь. Глобальная модель может быть применима к остальной части Северной Америки, если она основана на населении Нью-Йорка. Однако она, скорее всего, не точно отражает спрос в других частях страны. Стратегия локальной модели позволила бы вам получить более высокие прибыльные маржи, которые вы сейчас теряете.

Модели требуют регулярных обновлений, конечно. Модели требуют постоянных обновлений, поскольку данные окружающей среды всегда меняются, в отличие от традиционного программного обеспечения, которое можно установить один раз и оставить в покое. Модели МО ухудшаются со временем, если они не обновляются регулярно. Это должно происходить в течение срока службы модели и должно быть тщательно контролироваться.

Новая парадигма машинного обучения

Сравнивать модели машинного обучения с традиционным программным обеспечением неуместно. Однако эксперты МО получают выгоду от быстрого метода развертывания для моделей ИИ/МО, как и инженеры-программисты сделали с DevOps. Для проектов МО вам необходима система, которая позволяет быстро развертывать модели. Вы должны иметь возможность сравнивать разные модели, эффективно контрастируя одну, которая находится в производстве, с той, которая нет. Эти и другие лучшие практики, упомянутые выше, помогут вам обойти анализ паралича и быстро и рано выйти из строя, чтобы масштабировать ваше машинное обучение.