โมเดลการเรียนรู้ของเครื่องจักรแบบสำเร็จรูปหรือแบบกำหนดเอง

เมื่อใดที่การสร้างแบบกำหนดเองดีกว่าการซื้อโซลูชันแบบสำเร็จรูป?

บริษัทสามารถใช้แนวทางต่างๆ ในการพัฒนามอเดล จากบริการจัดการ ML ที่สมบูรณ์แบบไปจนถึงโมเดลแบบกำหนดเอง ขึ้นอยู่กับความต้องการทางธุรกิจ ความเชี่ยวชาญที่มีอยู่ และข้อจำกัดในการวางแผน พวกเขาต้องตัดสินใจว่าจะพัฒนาวิธีแก้ปัญหาแบบกำหนดเองหรือเลือกบริการแบบสำเร็จรูป

สำหรับทุกขั้นตอนของงาน ML จะต้องตัดสินใจเกี่ยวกับวิธีที่ชิ้นส่วนปัญหาแต่ละชิ้นจะเข้ากันได้ จากการรวบรวมข้อมูล การเตรียมข้อมูล และการแสดงผลข้อมูล ไปจนถึงการสร้างคุณลักษณะ การฝึกโมเดล และการประเมิน วิศวกร ML จะถามตัวเองซ้ำๆ ว่า จะใช้โซลูชันแบบกำหนดเองที่เขียนและพัฒนาจากศูนย์หรือใช้บริการแบบสำเร็จรูป

แต่เมื่อใดที่การสร้างแบบกำหนดเองดีกว่าการซื้อโซลูชันแบบสำเร็จรูป? ปัจจัยที่แตกต่างกันระหว่างสองแนวทางคือ ความพยายามในการประมวลผลข้อมูล ความเร็วในการพัฒนา และความเชี่ยวชาญที่ต้องการ

สิ่งที่ควรพิจารณาเมื่อตัดสินใจใช้โมเดลการเรียนรู้ของเครื่องจักรแบบสำเร็จรูปหรือแบบกำหนดเอง

ความพยายามในการประมวลผลข้อมูล

โครงการ ML ต้องเผชิญกับความท้าทายหลายอย่าง แต่อาจเป็นความท้าทายที่ใหญ่ที่สุดคือ การมีข้อมูลฝึกอบรมที่พร้อมใช้งาน การขาดข้อมูลฝึกอบรมสามารถหยุดโครงการก่อนที่จะเริ่มต้นได้ ก่อนที่โครงการจะเริ่มต้น ก็อาจเผชิญกับต้นทุนการประมวลผลข้อมูลที่สำคัญในการรวบรวมข้อมูล การทำเครื่องหมายข้อมูล การทำความสะอาด และการประมวลผลข้อมูล นี่คือการหลอกลวงที่หลายโครงการ ML ล้มเหลว การประมวลผลข้อมูลสิ้นเปลือง 80% ของทรัพยากรที่มอบให้ ในขณะที่ทรัพยากรเพียงเล็กน้อยที่เหลือสำหรับการฝึกโมเดลและประเมินผล

โซลูชันแบบสำเร็จรูปช่วยบรรเทาความยากลำบากและความเจ็บปวดในการประมวลผลข้อมูล พวกมันถูกสร้างขึ้นเพื่อทำงานที่พบบ่อยที่สุดโดยมีการกำหนดค่าเพียงเล็กน้อย พวกมันคือสิ่งที่ดีที่สุด: โซลูชันแบบสำเร็จรูปมีสำหรับทุกขั้นตอนของงาน ML

ในทางกลับกัน โซลูชันแบบกำหนดเองมักต้องการความพยายามในการประมวลผลข้อมูลมากขึ้น ไม่ได้หมายความว่าพวกมันควรละทิ้งไปทั้งหมด พวกมันยังคงต้องการเพื่อปรับแต่งขั้นตอน ML ที่เฉพาะเจาะจงให้เหมาะสมกับปัญหาที่กำลังแก้ไข ชุดข้อมูลที่ไม่สะอาดอาจต้องการกฎการทำความสะอาดพิเศษ ในเวลาเดียวกัน ชุดคุณลักษณะเฉพาะอาจต้องการการสร้างคุณลักษณะแบบกำหนดเอง เช่นเดียวกับโครงสร้าง神经ที่ต้องการการปรับเปลี่ยนเล็กน้อย ในกรณีนี้ โซลูชันแบบกำหนดเองที่สร้างจากศูนย์อาจครอบคลุมความต้องการทั้งหมด

ความเร็วในการพัฒนา

โซลูชันแบบสำเร็จรูปมุ่งเน้นไปที่การกำหนดค่ามากกว่าการนำไปใช้ แทนที่จะจัดสรรทรัพยากรเพื่อค้นหาว่า อะไร ที่ควรทำ ทีม ML จะมุ่งเน้นไปที่ วิธี ที่ชิ้นส่วนปัญหาแต่ละชิ้นจะเข้ากันได้ แนวทางนี้ช่วยให้บริษัท นักวิจัย และวิศวกรสามารถนำไปใช้แบบจำลองและหลักฐานการทำงานได้อย่างรวดเร็ว แทนที่จะคิดค้นวงล้อใหม่ โซลูชันแบบสำเร็จรูปทำให้สามารถใช้ความรู้ที่มีอยู่ได้ ดังนั้นจึงช่วยประหยัดเวลาในการพัฒนา

โซลูชันแบบกำหนดเองที่สร้างจากศูนย์เป็นที่รู้จักว่ามีความเร็วในการพัฒนาที่ช้ากว่า เนื่องจากต้องการการบำรุงรักษามากขึ้น วิศวกรต้องค้นหาทั้ง อะไร และ วิธี ของโซลูชัน ในทำนองเดียวกัน โซลูชันที่ซับซ้อนมากขึ้นจะใช้เวลาทรัพยากรมากขึ้นในการรับรองความสามารถในการปรับขนาดและความพร้อมในการผลิต ในมุมมองนี้ โซลูชันแบบกำหนดเองและความพยายามในการใช้เวลาเป็นสัดส่วนโดยตรง: โซลูชันที่ซับซ้อนมากขึ้นจะใช้เวลามากขึ้น

โดยทั่วไป อย่างไรก็ตาม ความจริงอยู่ตรงกลาง: ฐานรหัสที่มีอยู่จะถูกปรับเปลี่ยนและปรับให้เหมาะสมกับความต้องการของโครงการปัจจุบัน เช่นเดียวกับแนวทางที่รู้จักกันดีในการฝึกโมเดลโดยใช้การเรียนรู้แบบถ่ายโอน

ความเชี่ยวชาญ

เช่นเดียวกับมีหลายระดับในการทำ ML มีหลายระดับของความเชี่ยวชาญในการพัฒนามอเดล ML ตั้งแต่อินเทอร์เฟซที่ไม่ต้องเขียนโค้ดไปจนถึงการสร้างโมเดลจากศูนย์

โซลูชันแบบสำเร็จรูปมีหลายแบบที่ต้องการความเชี่ยวชาญด้าน ML น้อยมาก โดยใช้อินเทอร์เฟซที่直觀และแม้แต่วิธีการลากและวาง ทำให้简单สำหรับทุกคน (ตั้งแต่นักวิเคราะห์ธุรกิจไปจนถึงวิศวกรซอฟต์แวร์) ในการสร้างและนำโมเดล ML ไปใช้ แม้ว่าแนวทางที่ง่ายต่อการสร้างโมเดลอาจทำงานสำหรับการสร้างแบบจำลอง แต่ก็ไม่น่าจะตอบสนองความต้องการของระบบการผลิต

ความเชี่ยวชาญยังคงต้องการในการกำหนดค่า ตั้งค่า และบำรุงรักษาโซลูชันแบบสำเร็จรูปในการผลิต การแก้ปัญหา การติดปะติดป้าย การเชื่อมต่อกับอินเทอร์เฟซ API ที่แตกต่างกัน และการแก้ไขปัญหาการนำไปใช้ เป็นงานทั่วไปที่ต้องการเพื่อให้แน่ใจว่าโมเดลทำงานได้ดีในการผลิต

โซลูชันแบบกำหนดเองมักถูกนำไปใช้ที่ระดับโครงสร้างพื้นฐาน และไม่มีทางหลีกเลี่ยง: ความเชี่ยวชาญต้องการอย่างแน่นอน ขึ้นอยู่กับขนาดบริษัทและเป้าหมายโครงการ ทีมที่มีความเชี่ยวชาญหลายด้านอาจต้องการเพื่อรักษาระบบการผลิต นักวิทยาศาสตร์ข้อมูล วิศวกร ML และนักวิเคราะห์ธุรกิจมารวมตัวกันเพื่อทำความเข้าใจผลลัพธ์ของการอนุมานและรักษาโมเดลการผลิต

คุณควรใช้แบบไหน: โมเดลการเรียนรู้ของเครื่องจักรแบบสำเร็จรูปหรือแบบกำหนดเอง

โซลูชัน ML จะถูกสร้างจากหลายส่วนและบริการที่ต้องมารวมกันเป็นโซลูชันที่สอดคล้องกัน มันไม่เคยเป็นเรื่องของการไป 100% แบบกำหนดเองหรือ 100% แบบสำเร็จรูป เนื่องจากปัญหาธุรกิจที่แตกต่างกันต้องการโซลูชันที่แตกต่างกัน มากกว่าที่จะใช้โซลูชันแบบกำหนดเองหรือแบบสำเร็จรูป โซลูชัน ML มักถูกสร้างโดยผสมผสานทั้งสอง: บริการแบบสำเร็จรูปเพื่อสร้างข้อมูลเชิงลึกทั่วไป พร้อมด้วยโมเดลแบบกำหนดเองสำหรับความแม่นยำที่เพิ่มขึ้นและสร้างแบบจำลองความรู้เฉพาะโดเมน

เคล็ดลับในการทราบเมื่อใดที่จะนำโซลูชันแบบกำหนดเองมาใช้และเมื่อใดที่สามารถใช้บริการแบบสำเร็จรูปได้ ขึ้นอยู่กับประเภทของปัญหาที่กำลังแก้ไข ความต้องการทางธุรกิจ ข้อมูลที่มีอยู่ และข้อจำกัดในการพัฒนาที่รวมอยู่ด้วย

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ AI และเทรนด์เทคโนโลยี ดู Josh Miramant ซีอีโอของ Blue Orange Digital สำหรับโซลูชันขับเคลื่อนด้วยข้อมูลสำหรับ โซลูชันห่วงโซ่อุปทาน การทำอัตโนมัติเอกสารด้านการดูแลสุขภาพ และอื่นๆ

คุณอาจชอบ:

ใช้ NLP เพื่อจัดประเภทความคิดเห็นบนโซเชียลมีเดีย

วิธีการประมวลผลภาษาได้รับการปรับปรุงผ่านโมเดล BERT แบบเปิดของ Google (GOOGL )