Phát triển Máy học Thành công Yêu cầu Một Thiên hướng Mới – Lãnh đạo Tư tưởng

Bởi Victor Thu, chủ tịch, Datatron

Các sáng kiến sử dụng máy học không thể được đối xử giống như các dự án liên quan đến phần mềm thông thường. Điều quan trọng là phải di chuyển nhanh chóng để bạn có thể kiểm tra các điều, sửa lỗi và kiểm tra lại. Nói cách khác, bạn phải có khả năng thất bại nhanh chóng – và làm như vậy ngay từ đầu quá trình. Việc chờ đợi cho đến sau này trong quá trình này để tìm ra các vấn đề có thể sẽ rất tốn kém và tốn thời gian.

Máy học yêu cầu một cách tiếp cận mới

Khi phát triển phần mềm sử dụng phương pháp truyền thống, bạn sử dụng logic quyết định. Để chính xác nhất có thể, bạn kết hợp logic cho phép phần mềm hoạt động đúng. Thông thường không cần thay đổi sau khi logic của ứng dụng đã được phát triển, ngoại trừ việc sửa lỗi. Đó là một quá trình phát triển rất có phương pháp; bạn tiến dần bằng cách đảm bảo mỗi bước trong quá trình là chính xác trước khi chuyển sang bước tiếp theo. Đó là một chiến lược đã được thử nghiệm và chứng minh hiệu quả cho phát triển phần mềm.

Tuy nhiên, bạn không thể sử dụng cùng một chiến lược cho các dự án AI/ML vì nó đơn giản là không hoạt động. Thay vào đó, bạn cần có khả năng lặp lại nhanh chóng và thường xuyên để tìm thành công với một dự án ML. Vì ML yêu cầu đào tạo ban đầu và là một quá trình, bạn nên tiếp cận nó với kiến thức rằng nó sẽ không chính xác lần đầu tiên nó được triển khai.

Quá trình này đòi hỏi nhiều lần lặp lại. Thực tế là mô hình đầu tiên của bạn sẽ gặp phải kết quả không mong muốn 99% thời gian. Ngay cả khi bạn dành nhiều tháng để đào tạo mô hình trong phòng thí nghiệm, nó chắc chắn sẽ thay đổi khi nó gặp phải dữ liệu và lưu lượng truy cập thực tế.

Không nhắm đến sự hoàn hảo ngay lập tức

Vì vậy, để kiểm tra một mô hình và xác định những sửa đổi cần thiết, bạn phải có khả năng đưa nó vào sản xuất nhanh chóng. Sau đó, bạn có thể thực hiện bất kỳ điều chỉnh nào, phát hành lại và tinh chỉnh nó. Vì lý do này, bạn không nên dành quá nhiều nỗ lực để làm cho mô hình của mình hoàn hảo trước khi kiểm tra nó trong sản xuất; nỗ lực đầu tiên sẽ không hoàn hảo, và không ai nên mong đợi nó sẽ như vậy.

Trong khi mô hình đang được phát triển trong phòng thí nghiệm, những cải tiến thêm từ 92% đến 95% độ chính xác có thể không đáng kể cho một số trường hợp sử dụng. Tại sao không? Chỉ một phần nhỏ của dữ liệu đào tạo đã được sử dụng để đào tạo mô hình AI của bạn. Bạn có thể sẽ đầu tư rất nhiều thời gian và tiền bạc để có được độ chính xác thêm một chút trong khi từ bỏ những lợi ích mà mô hình của bạn có thể mang lại cho bạn trong thời gian chờ đợi.

Các bước hiệu quả trong triển khai ML

Vì có khả năng một mô hình sẽ thất bại hoặc tạo ra dự đoán không chính xác, các nhà khoa học ML đôi khi không muốn đưa mô hình vào sản xuất. Điều này có ý nghĩa, đến một mức độ nhất định. Bạn cần một hệ thống cho phép bạn xem các sự kiện khi chúng xảy ra trong thời gian thực. Với cách tiếp cận này, bạn có thể ngay lập tức kéo và cập nhật mô hình của mình, sau đó nhanh chóng phát hành một mô hình mới. Thay vì bị kẹt trong “hội chứng phân tích”, đây là phương pháp hiệu quả nhất để đưa các mô hình máy học vào sản xuất.

Nó tốt hơn nhiều khi chỉ cần phát hành mô hình và để nó có được một số kinh nghiệm thực tế. Điều này không loại bỏ sự cần thiết cho các nhà khoa học dữ liệu để tạo ra mô hình một cách chính xác nhất có thể từ đầu. Nhưng ngay khi bạn hoàn thành phiên bản đầu tiên, bạn nên bắt đầu thu thập dữ liệu quan trọng ngay lập tức.

Bạn có thể muốn chạy các mô hình của mình ở chế độ kiểm tra A/B hoặc chế độ bóng với dữ liệu thực tế như một phần của quá trình này. Bằng cách đó, bạn có thể so sánh hiệu suất của các mô hình khác nhau và có nhiều dữ liệu và bằng chứng trước khi chọn mô hình nào để quảng bá hoặc降 hạng.

Xây dựng một mô hình địa phương thay vì tập trung vào việc tạo ra một mô hình toàn cầu duy nhất để dự đoán hành vi cho môi trường vĩ mô là một thực hành tốt nhất khác. Với một mô hình địa phương, bạn có thể sử dụng dữ liệu từ các tình huống cụ thể để mô hình hoạt động như nó nên cho từng tình huống đó. Điều này tiết kiệm thời gian, dữ liệu và nỗ lực so với một mô hình bao quát toàn diện sẽ đòi hỏi một lượng lớn các nguồn lực này để đảm bảo nó hoạt động.

Xác định nhu cầu về giày thể thao tùy chỉnh sẽ là một ví dụ ở đây. Mô hình toàn cầu có thể áp dụng cho phần còn lại của Bắc Mỹ nếu nó dựa trên dân số của thành phố New York. Tuy nhiên, nó có thể không đại diện chính xác cho nhu cầu ở các khu vực khác của đất nước. Một chiến lược mô hình địa phương sẽ cho phép bạn có được lợi nhuận cao hơn, điều mà bạn hiện đang bỏ lỡ.

Mô hình yêu cầu cập nhật thường xuyên,当然. Mô hình yêu cầu cập nhật liên tục vì dữ liệu của môi trường luôn thay đổi, không giống như phần mềm truyền thống có thể được thiết lập một lần và để lại. Các mô hình ML suy giảm theo thời gian nếu chúng không được lặp lại thường xuyên. Điều này phải diễn ra trong suốt vòng đời của mô hình và phải được theo dõi cẩn thận.

Thiên hướng mới của Máy học

So sánh các mô hình máy học với phần mềm truyền thống là không khôn ngoan. Tuy nhiên, các chuyên gia ML được hưởng lợi từ một kỹ thuật triển khai nhanh chóng cho các mô hình AI/ML, giống như các kỹ sư phần mềm đã làm với DevOps. Đối với các dự án ML, bạn cần một hệ thống cho phép bạn nhanh chóng phát hành các mô hình. Bạn phải có khả năng so sánh các mô hình khác nhau, so sánh hiệu quả một mô hình đang hoạt động với một mô hình không hoạt động. Những thực hành tốt nhất này và các thực hành khác được đề cập ở trên sẽ giúp bạn tránh được hội chứng phân tích và thất bại nhanh chóng và sớm để bạn có thể mở rộng máy học của mình. có thể nhanh chóng phát hành các mô hình. Bạn phải có khả năng so sánh các mô hình khác nhau, so sánh hiệu quả một mô hình đang hoạt động với một mô hình không hoạt động. Những và các thực hành tốt nhất khác được đề cập ở trên sẽ giúp bạn tránh được hội chứng phân tích và thất bại nhanh chóng và sớm để bạn có thể mở rộng máy học của mình.