นอกชั้นวาง vs โมเดลการเรียนรู้ของเครื่องที่กำหนดเอง?

การสร้างดีกว่าการซื้อโซลูชันสำเร็จรูปเมื่อใด

บริษัทสามารถมีส่วนร่วมในแนวทางต่างๆ ในการพัฒนาแบบจำลอง ตั้งแต่บริการ ML ที่มีการจัดการเต็มรูปแบบ ไปจนถึงโมเดลที่กำหนดเอง ขึ้นอยู่กับความต้องการทางธุรกิจ ความเชี่ยวชาญที่มี และข้อจำกัดในการวางแผน พวกเขาต้องเลือก: พวกเขาควรพัฒนาโซลูชันแบบกำหนดเองตั้งแต่เริ่มต้นหรือไม่ หรือพวกเขาควรเลือกบริการนอกสถานที่?

สำหรับทุกขั้นตอนของปริมาณงาน ML จะต้องเป็นไปตามการตัดสินใจว่าชิ้นส่วนปริศนาต่างๆ จะเข้ากันได้อย่างไร ตั้งแต่การรวบรวมข้อมูล การจัดเตรียม และการแสดงภาพ ไปจนถึงคุณลักษณะทางวิศวกรรม การฝึกอบรมโมเดล และการประเมินผล วิศวกรการเรียนรู้ของเครื่องจะถามตัวเองซ้ำแล้วซ้ำเล่า: มันจะเป็นโซลูชันที่นำไปใช้งานแบบกำหนดเอง เขียนและพัฒนาตั้งแต่เริ่มต้นหรือไม่ หรือจะเป็นบริการนอกชั้นวาง?

แต่เมื่อใดที่การสร้างดีกว่าการซื้อโซลูชันสำเร็จรูป ปัจจัยหลักที่ทำให้เห็นความแตกต่างระหว่างสองแนวทาง ได้แก่ ความพยายามในการประมวลผลล่วงหน้า ความเร็วในการพัฒนา และความเชี่ยวชาญที่จำเป็น

สิ่งที่ต้องพิจารณาเมื่อพิจารณาว่าจะใช้โมเดลแมชชีนเลิร์นนิงแบบสำเร็จรูปหรือแบบกำหนดเอง

ความพยายามในการประมวลผลล่วงหน้า

โครงการ ML กำลังเผชิญกับความท้าทายทุกรูปแบบ แต่บางทีความท้าทายที่ใหญ่ที่สุดคือความพร้อมใช้งานของข้อมูลการฝึกอบรม การขาดข้อมูลการฝึกอบรมสามารถหยุดโครงการก่อนที่จะเริ่มด้วยซ้ำ ก่อนที่โครงการจะเริ่มต้นขึ้น อาจต้องเผชิญกับต้นทุนการประมวลผลล่วงหน้าจำนวนมากจากการรวบรวมข้อมูล การติดฉลากข้อมูล การทำความสะอาด และความพยายามในการประมวลผลล่วงหน้า นี่คือกับดักที่รู้จักกันดีซึ่งโครงการ ML หลายโครงการล้มเหลว: การประมวลผลล่วงหน้าจบลงที่ 80% ของทรัพยากรที่จัดสรร ในขณะที่ทรัพยากรเหลือเพียงเล็กน้อยสำหรับการฝึกอบรมและการประเมินโมเดลจริง

โซลูชันที่มีอยู่ทั่วไปช่วยลดความเครียดและความเจ็บปวดจากความพยายามในการประมวลผลล่วงหน้า สร้างขึ้นเพื่อดำเนินการทั่วไปโดยจำเป็นต้องมีการกำหนดค่าเพียงเล็กน้อยเท่านั้น สิ่งที่ดีที่สุดเกี่ยวกับพวกเขาคือ: มีโซลูชันสำเร็จรูปสำหรับเวิร์กโหลด ML ทุกขั้นตอน

ในทางกลับกัน การใช้งานแบบกำหนดเองมักจะต้องใช้ความพยายามในการประมวลผลล่วงหน้ามากกว่า ซึ่งไม่ได้หมายความว่าจะต้องถูกยกเลิกทั้งหมด: พวกเขายังคงต้องปรับแต่งขั้นตอน ML บางอย่างให้ละเอียดเฉพาะเจาะจงของปัญหาที่กำลังแก้ไข ชุดข้อมูลที่สกปรกเป็นพิเศษอาจต้องการกฎการล้างแบบพิเศษบางประเภท ในขณะเดียวกัน ชุดคุณลักษณะเฉพาะอาจต้องการวิศวกรรมคุณลักษณะแบบกำหนดเอง เช่นเดียวกับสถาปัตยกรรมประสาทที่อาจต้องการการปรับเปลี่ยนเล็กน้อย ในกรณีนี้ โซลูชันแบบกำหนดเองที่สร้างขึ้นตั้งแต่ต้นน่าจะครอบคลุมทุกความต้องการ

ความเร็วในการพัฒนา 

โซลูชันสำเร็จรูปเน้นที่การกำหนดค่ามากกว่าการนำไปใช้งาน แทนที่จะจัดสรรทรัพยากรเพื่อหา อะไร ควรทำ ทีม ML จะเน้น อย่างไร ชิ้นส่วนปริศนาที่แตกต่างกันจะพอดีกัน วิธีการนี้ช่วยให้บริษัท นักวิจัย และวิศวกรสามารถนำต้นแบบไปใช้และพิสูจน์แนวคิดได้อย่างรวดเร็ว แทนที่จะคิดค้นสิ่งใหม่ ๆ ขึ้นมาใหม่ โซลูชันที่มีอยู่ทั่วไปทำให้สามารถใช้ประโยชน์จากความรู้ที่มีอยู่ ซึ่งช่วยประหยัดเวลาในการพัฒนา

โซลูชันที่ทำขึ้นเองซึ่งนำไปใช้ตั้งแต่ต้นเป็นที่ทราบกันดีว่ามีความเร็วในการพัฒนา wrt ที่ช้ากว่ามาก นี่เป็นเพราะความต้องการในการบำรุงรักษาที่เพิ่มขึ้น: วิศวกรต้องค้นหาทั้งสองอย่าง อะไร และ อย่างไร ของการแก้ปัญหา ในทำนองเดียวกัน ยิ่งโซลูชันซับซ้อนมากเท่าใด ก็ยิ่งต้องการทรัพยากรเวลามากขึ้นเพื่อให้มั่นใจถึงความสามารถในการปรับขนาดและความพร้อมใช้งานในขณะที่อยู่ในขั้นตอนการผลิต จากมุมมองนี้ โซลูชันที่ทำขึ้นเองและความพยายามของเวลาเป็นสัดส่วนโดยตรง: ยิ่งโซลูชันซับซ้อนมากเท่าใด ก็จะต้องใช้เวลามากขึ้นเท่านั้น

อย่างไรก็ตาม โดยปกติแล้ว ความจริงก็อยู่ตรงกลาง นั่นคือโค้ดเบสที่มีอยู่จะได้รับการปรับโครงสร้างใหม่และปรับให้เข้ากับความต้องการของโปรเจ็กต์ปัจจุบัน นั่นคือกรณีของแนวทางการเรียนรู้แบบถ่ายโอนที่รู้จักกันดีสำหรับการฝึกโมเดล

ด้านความเชี่ยวชาญ

เช่นเดียวกับที่ Machine Learning มีหลายเลเยอร์ จึงมีความเชี่ยวชาญหลายระดับที่โมเดล ML สามารถพัฒนาได้ ตั้งแต่อินเทอร์เฟซที่ไม่ต้องใช้โค้ดไปจนถึงการสร้างโมเดลตั้งแต่เริ่มต้น

มีโซลูชันแบบสำเร็จรูปซึ่งต้องการความเชี่ยวชาญด้านแมชชีนเลิร์นนิงเพียงเล็กน้อย ด้วยการใช้อินเทอร์เฟซที่ใช้งานง่ายและแม้กระทั่งวิธีการลากและวาง มันกลายเป็นเรื่องง่ายมากสำหรับทุกคน (ตั้งแต่นักวิเคราะห์ธุรกิจไปจนถึงวิศวกรซอฟต์แวร์) ในการสร้างและปรับใช้โมเดลแมชชีนเลิร์นนิงบางประเภท แม้ว่าวิธีการง่ายๆ ในการพัฒนาแบบจำลองนี้อาจใช้ได้ผลสำหรับวัตถุประสงค์ในการสร้างต้นแบบ แต่ไม่น่าจะเป็นไปตามข้อกำหนดของระบบการผลิต

ยังคงต้องใช้ความเชี่ยวชาญในการกำหนดค่า ตั้งค่า และบำรุงรักษาโซลูชันสำเร็จรูปในการผลิตอย่างเหมาะสม วิธีแก้ปัญหา โค้ดแพตช์ การเชื่อมต่อกับอินเทอร์เฟซ API ต่างๆ และการจัดการกับปัญหาการปรับใช้เป็นงานทั่วไปที่จำเป็นเพื่อให้มั่นใจถึงประสิทธิภาพของโมเดลในสภาพแวดล้อมการผลิต

โซลูชันที่ทำขึ้นเองมักจะนำไปใช้ในระดับโครงสร้างพื้นฐานและไม่มีทางแก้ไขได้: จำเป็นต้องมีความเชี่ยวชาญอย่างแน่นอน ขึ้นอยู่กับขนาดของบริษัทและเป้าหมายโครงการ ทีมสหสาขาวิชาชีพอาจจำเป็นสำหรับการบำรุงรักษาระบบการผลิต นักวิทยาศาสตร์ข้อมูล วิศวกร ML และนักวิเคราะห์ธุรกิจมารวมตัวกันเพื่อทำความเข้าใจผลการอนุมานและรักษารูปแบบการผลิต

คุณควรใช้อะไร: โมเดลแมชชีนเลิร์นนิงแบบสำเร็จรูปหรือแบบกำหนดเอง

โซลูชัน ML จะถูกสร้างขึ้นจากส่วนประกอบและบริการต่างๆ จำนวนมาก ซึ่งจำเป็นต้องมารวมกันเป็นโซลูชันที่เหนียวแน่น มันไม่เกี่ยวกับการกำหนดเอง 100% หรือทำตามแบบ 100% เนื่องจากปัญหาทางธุรกิจที่แตกต่างกันต้องการวิธีแก้ปัญหาที่แตกต่างกัน บ่อยกว่านั้น โซลูชันที่ใช้ ML สร้างขึ้นจากการผสมผสานของทั้งสองอย่าง: บริการนอกชั้นวางเพื่อดึงข้อมูลเชิงลึกทั่วไป รวมกับโมเดลที่กำหนดเองเพื่อเพิ่มความแม่นยำและการสร้างโมเดลความรู้เฉพาะโดเมน

เคล็ดลับคือการรู้ว่าเมื่อใดควรใช้โซลูชันแบบกำหนดเองตั้งแต่เริ่มต้น และส่วนใดของโครงการที่สามารถใช้ประโยชน์จากบริการนอกชั้นวางได้ สิ่งนี้ขึ้นอยู่กับประเภทของปัญหาที่ต้องแก้ไข ความต้องการทางธุรกิจ ข้อมูลที่มี และข้อจำกัดโดยรวมของสภาพแวดล้อมการพัฒนา

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับแนวโน้มของ AI และเทคโนโลยี โปรดดูที่ จอช มิรามันต์ซีอีโอของโซลูชันที่ขับเคลื่อนด้วยข้อมูลของ Blue Orange Digital สำหรับ ห่วงโซ่อุปทาน, ระบบอัตโนมัติของเอกสาร Healthcare, และอื่น ๆ.

คุณอาจชอบ:

ใช้ NLP เพื่อจำแนกความคิดเห็นบนโซเชียลมีเดีย

วิธีการปรับปรุงการประมวลผลภาษาผ่านโมเดล BERT แบบโอเพ่นซอร์สของ Google