Makine Öğreniminin Başarılı Gelişimi Yeni Bir Paradigmayı Gerektirir – Düşünce Liderleri

Victor Thu, Datatron başkanı tarafından

Makine öğrenimi kullanan girişimlere, geleneksel yazılımla ilgili projelere aynı şekilde davranılamaz. Hızlı hareket etmeniz ve test etmeniz, sorunları düzeltmeniz ve tekrar test etmeniz gerekir. Başka bir deyişle, hızlı bir şekilde başarısız olmanız ve bunu sürecin başında yapmanız gerekir. Bu sürecin daha sonraki aşamalarında sorunları bulmak çok pahalı ve zaman alıcı olabilir.

Yapay zeka yeni bir yaklaşımı gerektirir

Geleneksel yöntemle yazılım geliştirirken, karar mantığını kullanıyorsunuz. Olabildiğince kesin olmak için, yazılımın düzgün çalışmasını sağlayan mantığı ekliyorsunuz. Uygulamanın mantığını geliştirdikten sonra, genellikle yalnızca hata düzeltmeleri dışında değişiklikler yapmaya gerek yoktur. Bu, çok metodik bir geliştirme sürecidir; her adımda doğru olduğundan emin olarak dần ilerlersiniz. Bu, yazılım geliştirme için her zaman etkili olduğunu kanıtlamış bir stratejidir.

Ancak, AI/ML projeleri için aynı stratejiyi kullanamazsınız, çünkü basitçe işe yaramaz. Bunun yerine, bir ML projesinde başarılı olmak için hızlı ve sık sık yineleme yapma kapasitesine sahip olmanız gerekir. Makine öğrenimi ilk eğitim gerektirir ve bir süreçtir, bu nedenle ilk kez dağıtıldığında doğru olmayacağını bilerek yaklaşmanız gerekir.

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

Hemen mükemmellik hedeflemeyin

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

Model laboratuvarda geliştirilirken, %92’den %95’e kadar olan ek geliştirmeler, bazı kullanım örnekleri için önemli olmayabilir. Nedeni, yalnızca eğitim verilerinin küçük bir kısmının AI modelinizi eğitmek için kullanılmış olmasıdır. Ek bir doğruluk payı elde etmek için çok fazla 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 için, bazen ML bilim adamları bir modeli üretime koymaya isteksizdir. Bir dereceye kadar mantıklıdır. Gerçek zamanlı olarak olayları görmenizi sağlayan bir sisteme ihtiyacınız vardır. Bu yaklaşım, modelinizi hemen geri çekip güncellemenizi ve ardından yeni bir modeli hızla yayınlamanızı sağlar. “Analiz felci”ne kapılmak yerine, makine öğrenimi modellerini üretime koymak için bu, en verimli yöntemdir.

Modeli sadece başlatmak ve biraz deneyim kazanmasına izin vermek çok daha iyidir. Bu, veri bilimcilerin modeli baştan mümkün olduğunca doğru bir şekilde oluşturması gerekliliğini ortadan kaldırmaz. Ancak ilk sürümünüzü bitirdikten sonra, hemen o önemli verileri toplamaya başlamalısınız.

Bu sürecin bir parçası olarak, modellerinizi gerçek dünya verilerine karşı A/B test modunda veya gölge modunda çalıştırmak isteyebilirsiniz. Böylece, çeşitli modellerin performanslarını karşılaştırabilir ve bir modeli yükseltmeye veya alçaltmaya karar vermeden önce çok fazla veri ve kanıtınız olur.

Bir diğer en iyi uygulama, bir dizi genel model oluşturmak yerine, yerel bir model oluşturmaktır. Yerel bir modelle, modelin her biri için doğru bir şekilde davranmasını sağlamak için belirli durumların verilerini kullanabilirsiniz. Bu, modelin çalışması için önemli miktarda zaman, veri ve çaba gerektirecek kapsamlı bir model oluşturmaya kıyasla zaman, veri ve çabayı tasarruf etmenizi sağlar.

Örneğin, özel sneaker talebini belirleme ihtiyacı olacaktır. New York City nüfusuna dayalı bir global model, Kuzey Amerika’nın geri kalanı için geçerli olabilir. Ancak ülkenin diğer bölgelerinde talebi doğru bir şekilde temsil etmeyebilir. Yerel model stratejisi, şimdi kaybettiğiniz daha yüksek kar marjlarına ulaşmanıza olanak tanır.

Modellerin elbette düzenli olarak güncellenmesi gerekir. Modeller, geleneksel yazılımların bir kez ayarlanıp bırakılabileceği şekilde değildir; çünkü çevre verisi her zaman değişmektedir. ML modelleri, düzenli olarak yineleme yapılmazsa zamanla bozulur. Bu, modelin ömrü boyunca gerçekleşmeli ve dikkatlice izlenmelidir.

Makine öğreniminin yeni paradigması

Makine öğrenimi modellerini geleneksel yazılımla karşılaştırmak yanlıştır. Ancak, DevOps ile yazılım mühendislerinin yaptığı gibi, AI/ML modelleri için hızlı bir dağıtım tekniğinden yararlanırlar. ML projeleri için, modelleri hızlı bir şekilde başlatmanızı sağlayan bir sisteme ihtiyacınız vardır. Bir modeli canlı olanla karşılaştırarak, canlı olmayan bir modeli etkili bir şekilde karşılaştırabilmeniz gerekir. Yukarıda belirtilen diğer en iyi uygulamalarla birlikte, bu, analiz felcinden kaçınmanıza ve hızlı ve erken bir şekilde başarısız olmanıza yardımcı olacaktır, böylece makine öğreniminizi ölçeklendirebilirsiniz.