Makine Öğrenimi Geliştirme Başarılı Olmak İçin Yeni Bir Paradigmaya İhtiyaç Duyar – Düşünce Liderleri

Victor Thu, Datatron başkanı tarafından

Makine öğrenimi kullanan girişimlere, geleneksel yazılımla ilgili projelere aynı şekilde davranılamaz. Hızlı hareket etmek ve test etmek, sorunları düzeltmek ve tekrar test etmek gerekir. Başka bir deyişle, hızlı bir şekilde başarısız olmak ve bunu sürecin başında yapmak gerekir. Sürecin daha sonraki aşamalarında sorunları bulmak çok pahalı ve zaman alıcı olabilir.

Yeni Bir Yaklaşım Gerektirir

Geleneksel yöntemle yazılım geliştirirken, karar mantığı kullanılır. Yazılımın doğru çalışması için mantığı dahil edersiniz. Uygulamanın mantığının geliştirilmesinden sonra, genellikle değişiklik yapmaya gerek yoktur, sadece hata düzeltmeleri yapılır. Bu, çok metodik bir geliştirme sürecidir; her adımda doğruluğu sağlamak için yavaş yavaş ilerlersiniz. Bu, yazılım geliştirme için her zaman etkili olan bir stratejidir.

Ancak, AI/ML projeleri için aynı stratejiyi kullanamazsınız, çünkü işe yaramaz. Bunun yerine, bir ML projesinde başarılı olmak için hızlı ve sık iterasyon yapma kapasitesine sahip olmanız gerekir. ML, ilk eğitim gerektirir ve bir süreçtir, bu nedenle bunu ilk kez dağıtıldığında doğru olmayacağı bilinciyle yaklaşmalısınız.

Bu süreç, birden fazla iterasyonu gerektirir. Gerçeklik, ilk modelinizin %99 oranında beklenmedik sonuçlarla karşılaşacağıdır. Laboratuvarda modelinizi aylarca eğitseniz bile, gerçek dünya verilerine ve trafiğine temas ettiğinde kesinlikle değişecektir.

İlk Ashama Mükemmelliğine Hedeflemeyin

Dolayısıyla, bir modeli test etmek ve gerekli değişiklikleri belirlemek için, onu hızlı bir şekilde üretime koyabilmeniz gerekir. Ardından, değişiklikleri yapabilir, tekrar yayınlatabilir ve iyileştirebilirsiniz. Bu nedenle, modelinizi üretimde test etmeden önce mükemmel yapmaya çok fazla çaba harcamamalısınız; ilk deneme mükemmel olmayacak ve kimse bunu beklememelidir.

Model laboratuvarda geliştirilirken, %92’den %95’e kadar olan ek iyileştirmeler, bazı kullanım durumları için önemli olmayabilir. Nedeni, yalnızca eğitim verilerinin küçük bir kısmı AI modelinizi eğitmek için kullanılmış olmasıdır. Ek bir doğruluk payı elde etmek için çok zaman ve para harcayabilir ve bu sırada modelinizin size sağlayabileceği avantajlardan feragat edebilirsiniz.

ML Dağıtımında Etkili Adımlar

Bir modelin başarısız olabileceği veya yanlış tahminlerde bulunabileceği ihtimali nedeniyle, ML bilim adamları bazen bir modeli üretime koymaktan çekinebilirler. Bir程度 doğru, ancak bir sistem oluşturmak gerekir, bu sistem size olayları gerçek zamanlı olarak görme imkanı sağlar. Bu yaklaşım, modelinizi hemen geri çekip güncellemenizi ve ardından yeni bir modeli hızla yayınlamanızı sağlar. “Analiz felci”ne kapılmak yerine, bu, makine öğrenimi modellerini üretime koymak için en etkili yöntemdir.

Modeli başlatmak ve biraz deneyim kazanmasına izin vermek çok daha iyidir. Bu, veri bilimcilerinin modeli baştan olabildiğince doğru bir şekilde oluşturması gerekliliğini ortadan kaldırmaz. Ancak ilk sürümü bitirdikten sonra, hemen önemli verileri toplamaya başlamalısınız.

Gerçek dünya verilerine karşı A/B test modunda veya gölge modunda modellerinizi çalıştırmak da bu sürecin bir parçasıdır. Böylece, çeşitli modellerin performanslarını karşılaştırabilir ve bir modeli tanıtma veya alçaltma kararı almadan önce çok veri ve kanıtınız olur.

Genel bir model oluşturmak yerine, yerel bir model oluşturmak da bir başka iyi uygulamadır. Yerel bir modelle, belirli durumların verilerini kullanabilirsiniz, böylece model her bir durumda doğru bir şekilde davranır. Bu, bir bütün olarak ortamı tahmin etmek için çok fazla kaynak gerektirecek bir model oluşturmaktan daha zaman, veri ve çaba tasarrufu sağlar.

Örneğin, özel sneaker talebini belirleme. New York Şehir nüfusuna dayalı bir küresel model, Kuzey Amerika’nın geri kalanı için geçerli olabilir, ancak ülkenin diğer bölgelerinde talebi doğru bir şekilde temsil etmeyebilir. Yerel bir model stratejisi, şimdi kaybettiğiniz daha yüksek kar marjlarına ulaşmanıza izin verirdi.

Elbette modeller, düzenli olarak güncellenmelidir. Modeller, geleneksel yazılımların bir kez ayarlanıp bırakılabileceği gibi değildir; môi trườngun verisi her zaman değişir. ML modelleri, düzenli olarak güncellenmezse zamanla bozulur. Bu, modelin ömrü boyunca yapılmalı ve dikkatlice izlenmelidir.

Makine Öğreniminin Yeni Paradigması

Makine öğrenimi modellerini geleneksel yazılımla karşılaştırmak doğru değildir. Ancak ML uzmanları, AI/ML modelleri için hızlı bir dağıtım tekniğinden yararlanırlar, tıpkı yazılım mühendislerinin DevOps’tan yararlandığı gibi. ML projeleri için, modelleri hızlı bir şekilde başlatmanızı sağlayan bir sisteme ihtiyacınız vardır. Farklı modelleri karşılaştırabilmeniz, canlı olanla olmayan arasında etkili bir karşılaştırma yapabilmeniz gerekir. Yukarıda belirtilen diğer iyi uygulamalar, analiz felcini atlatmanıza ve erken ve hızlı bir şekilde başarısız olmanıza yardımcı olacaktır, böylece makine öğreniminizi ölçeklendirebilirsiniz.