การพัฒนา Machine Learning ที่ประสบความสำเร็จต้องการแนวทางใหม่ – Thought Leaders

โดย Victor Thu, ประธาน, Datatron

โครงการที่ใช้เครื่องมือ Machine Learning ไม่สามารถรักษาในลักษณะเดียวกับโครงการที่เกี่ยวข้องกับซอฟต์แวร์แบบเดิมๆ ได้ เป็นสิ่งจำเป็นที่จะต้องดำเนินการอย่างรวดเร็วเพื่อที่คุณจะได้ทดสอบสิ่งต่างๆ แก้ไขปัญหา และทดสอบอีกครั้ง ในอีกคำหนึ่ง คุณต้องสามารถล้มเหลวได้อย่างรวดเร็ว – และทำเช่นนั้นในช่วงแรกของกระบวนการ การรอจนกระทั่งหลังในกระบวนการเพื่อค้นหาปัญหาอาจส่งผลให้ใช้เวลานานและต้องใช้เงินมาก

AI ต้องการแนวทางใหม่

เมื่อพัฒนาซอฟต์แวร์โดยใช้วิธีการแบบเดิม คุณใช้ตรรกะการตัดสินใจ เพื่อให้ได้ผลลัพธ์ที่แม่นยำที่สุด คุณรวมตรรกะที่ช่วยให้ซอฟต์แวร์ทำงานได้อย่างถูกต้อง มักไม่มีความจำเป็นต้องมีการเปลี่ยนแปลงหลังจากที่ตรรกะของแอปพลิเคชันได้รับการพัฒนาแล้ว นอกจากการแก้บั๊กเป็นหลัก เป็นกระบวนการพัฒนาที่มีระเบียบยิ่ง และคุณก้าวหน้าไปทีละขั้นตอนโดยการตรวจสอบให้แน่ใจว่าทุกขั้นตอนในกระบวนการมีความแม่นยำก่อนที่จะดำเนินการต่อ เป็นกลยุทธ์ที่ได้พิสูจน์ผลสำเร็จอย่างต่อเนื่องสำหรับการพัฒนาซอฟต์แวร์

อย่างไรก็ตาม คุณไม่สามารถใช้กลยุทธ์เดียวกันนี้สำหรับโครงการ AI/ML ได้ เนื่องจากจะไม่ทำงานได้ คุณต้องมีความสามารถในการทำซ้ำอย่างรวดเร็วและบ่อยๆ เพื่อที่จะพบความสำเร็จกับโครงการ ML เนื่องจาก ML ต้องการการฝึกอบรมครั้งแรกและเป็นกระบวนการ คุณควรเข้าใกล้มันด้วยความรู้ที่ว่ามันจะไม่แม่นยำครั้งแรกที่มีการใช้งาน

กระบวนการนี้ต้องการการทำซ้ำหลายครั้ง ความเป็นจริงคือโมเดลแรกของคุณจะพบผลลัพธ์ที่ไม่คาดคิด 99% ของเวลา แม้ว่าคุณจะใช้เวลาหลายเดือนในการฝึกอบรมโมเดลของคุณในห้องปฏิบัติการ แต่ก็จะเปลี่ยนแปลงอย่างแน่นอนเมื่อมันพบกับข้อมูลและจราจรในโลกแห่งความเป็นจริง

อย่าพยายามที่จะสมบูรณ์แบบในทันที

ดังนั้น เพื่อที่จะทดสอบโมเดลและกำหนดการเปลี่ยนแปลงที่จำเป็น คุณต้องสามารถนำมันไปใช้ในการผลิตได้อย่างรวดเร็ว จากนั้นคุณสามารถทำการปรับเปลี่ยนได้ และปล่อยมันออกมาใหม่ และปรับปรุงมัน ในทางกลับกัน คุณไม่ควรพยายามที่จะทำให้โมเดลของคุณสมบูรณ์แบบมากเกินไปก่อนที่จะทดสอบมันในการผลิต การพยายามครั้งแรกจะไม่สมบูรณ์แบบ และไม่ควรคาดหวังว่ามันจะสมบูรณ์แบบ

ในขณะที่โมเดลกำลังพัฒนาในห้องปฏิบัติการ การปรับปรุงที่เพิ่มขึ้นจากความแม่นยำ 92% ถึง 95% อาจไม่สำคัญสำหรับกรณีการใช้งานบางอย่าง ทำไมจึงเป็นเช่นนั้น? เนื่องจากเพียงเศษเสี้ยวของข้อมูลการฝึกอบรมที่ใช้ในการฝึกอบรมโมเดล AI ของคุณ คุณอาจลงทุนเวลามากและเงินเพื่อให้ได้ความแม่นยำเพิ่มเติมในขณะที่ละเลยประโยชน์ที่โมเดลของคุณอาจให้คุณในระหว่างนั้น

ขั้นตอนที่มีประสิทธิภาพในการใช้งาน ML

เนื่องจากมีโอกาสที่โมเดลจะล้มเหลวหรือคาดการณ์ผลลัพธ์ที่ไม่ถูกต้อง นักวิทยาศาสตร์ ML บางคนอาจไม่เต็มใจที่จะนำโมเดลไปใช้ในการผลิต ซึ่งสมเหตุสมผลจนถึงระดับหนึ่ง คุณต้องการระบบที่ช่วยให้คุณสามารถมองเห็นเหตุการณ์ตามเวลาจริงได้ ด้วยวิธีนี้ คุณสามารถดึงและอัปเดตโมเดลของคุณได้ทันที และปล่อยโมเดลใหม่ๆ ออกมาอย่างรวดเร็ว แทนที่จะถูกขัดขวางด้วย “การวิเคราะห์ความเป็นปาราลックス” นี่เป็นวิธีที่มีประสิทธิภาพที่สุดในการนำโมเดล Machine Learning ไปใช้ในการผลิต

เป็นการดีกว่าที่จะปล่อยโมเดลและปล่อยให้มันเรียนรู้จากประสบการณ์จริง สิ่งนี้ไม่ได้กำจัดความจำเป็นสำหรับนักวิทยาศาสตร์ข้อมูลในการสร้างโมเดลให้แม่นยำที่สุดตั้งแต่เริ่มต้น แต่เมื่อคุณสร้างรุ่นแรกเสร็จแล้ว คุณควรเริ่มรวบรวมข้อมูลที่สำคัญทันที

คุณอาจต้องการ चलาโมเดลของคุณในโหมดทดสอบ A/B หรือโหมดเงาเทียบกับข้อมูลในโลกแห่งความเป็นจริงในช่วงกระบวนการนี้ เพื่อที่คุณจะได้สามารถเปรียบเทียบผลการทำงานของโมเดลต่างๆ และมีข้อมูลและหลักฐานมาก่อนที่จะตัดสินใจเลื่อนหรือลดระดับโมเดล

การสร้างโมเดลที่มีการกระจายอำนาจแทนการมุ่งเน้นไปที่การสร้างโมเดลระดับโลกเพียงหนึ่งเดียวเพื่อคาดการณ์พฤติกรรมสำหรับสภาพแวดล้อมมาโครคืออีกแนวทางปฏิบัติที่ดี ด้วยโมเดลที่มีการกระจายอำนาจ คุณสามารถใช้ข้อมูลจากสถานการณ์เฉพาะเพื่อให้โมเดลทำงานได้ตามที่ควรสำหรับสถานการณ์เหล่านั้น ซึ่งช่วยประหยัดเวลา ข้อมูล และความพยายามเมื่อเทียบกับโมเดลที่ครอบคลุมทุกอย่างซึ่งต้องการทรัพยากรจำนวนมากเพื่อให้ทำงานได้

การกำหนดความต้องการสำหรับรองเท้าผ้าใบแบบกำหนดเองจะเป็นตัวอย่างที่นี่ โมเดลระดับโลกอาจใช้ได้กับส่วนที่เหลือของอเมริกาเหนือหากมันอยู่บนพื้นฐานของประชากรในนิวยอร์กซิตี้ แต่จะไม่น่าจะแสดงถึงความต้องการในพื้นที่อื่นๆ ของประเทศได้อย่างถูกต้อง แนวทางโมเดลที่มีการกระจายอำนาจจะทำให้คุณสามารถทำกำไรได้สูงขึ้น ซึ่งคุณกำลังพลาดไปในขณะนี้

โมเดลต้องการการอัปเดตอย่างสม่ำเสมอ โมเดลต้องการการอัปเดตอย่างต่อเนื่อง เนื่องจากข้อมูลของสภาพแวดล้อมเปลี่ยนแปลงอยู่เสมอ ไม่เหมือนกับซอฟต์แวร์แบบเดิมที่สามารถตั้งค่าได้ครั้งเดียวและปล่อยให้อยู่อย่างนั้น โมเดล ML เสื่อมสภาพเมื่อเวลาผ่านไปหากไม่ได้รับการอัปเดตอย่างสม่ำเสมอ สิ่งนี้ต้องเกิดขึ้นในช่วงอายุการใช้งานของโมเดลและต้องได้รับการติดตามอย่างใกล้ชิด

พาราได้ม์ใหม่ของ Machine Learning

การเปรียบเทียบโมเดล Machine Learning กับซอฟต์แวร์แบบเดิมๆ เป็นสิ่งที่ไม่ฉลาด อย่างไรก็ตาม ผู้เชี่ยวชาญด้าน ML ได้รับประโยชน์จากเทคนิคการปล่อยตัวแบบเร็วสำหรับโมเดล AI/ML เช่นเดียวกับวิศวกรซอฟต์แวร์ที่ทำกับ DevOps สำหรับโครงการ ML คุณต้องการระบบที่ช่วยให้คุณสามารถ ปล่อยโมเดลได้อย่างรวดเร็ว คุณต้องสามารถเปรียบเทียบโมเดลต่างๆ ได้อย่างมีประสิทธิภาพ โดยการเปรียบเทียบโมเดลที่ใช้งานอยู่กับโมเดลที่ไม่ได้ใช้งาน โมเดลเหล่านี้และแนวทางปฏิบัติที่ดีที่กล่าวถึงข้างต้นจะช่วยให้คุณสามารถหลีกเลี่ยงการวิเคราะห์ความเป็นปาราลักษณ์และล้มเหลวอย่างรวดเร็วในช่วงแรกเพื่อที่คุณจะได้ขยายขนาด Machine Learning ของคุณ