Yapay zeka şirketlerinin seviyelendirme yaklaşımı: nasıl daha ölçeklenebilir olunur?
Tam metin 1370 kelime ve beklenen öğrenme süresi 5 dakikadır
Makine öğrenimi, herkes tarafından takip edilen iddialı bir hedef haline gelmiş gibi görünüyor ve şirketlerin% 80'inden fazlası en az bir AI projesi üzerinde çalışıyor.
Kaynak: unsplash
Başlamadan önce kendinize şu üç soruyu sormanız en iyisidir:
· "Bu makine öğrenimi modeli ne kadar doğru?"
· "Eğitim süresi ne kadar?"
· "Ne kadar eğitim verisi gerekli?"
Kullanıcılar genellikle yeni bir modeli yüklemenin ne kadar süreceğini ve performansını veya promosyon etkisini bilmek isterler. Performansa dayalı olarak genel maliyeti ölçmenin bir yolunu isterler. Ne yazık ki yukarıdaki soruların cevapları bu sorunu çözmüyor.
Hatta yanıltıcıdırlar.
Model eğitimi buzdağının sadece görünen kısmı. Doğru veri setini elde etmek ve temizlemek, depolamak, toplamak, işaretlemek ve güvenilir bir veri akışı ve altyapı hattı oluşturmak büyük maliyetler gerektirir, ancak çoğu kullanıcı ve AI / ML şirketi bunu görmezden gelir.
Son araştırmalara göre şirket, zamanının% 80'inden fazlasını AI / ML projelerinde veri hazırlama ve mühendislik operasyonlarına harcıyor. Başka bir deyişle, enerjinizin çoğunu bina ve eğitim modellerine harcarsanız, toplam mühendislik iş yükü ve maliyeti beklenenin beş katı olabilir.
Ek olarak, makine öğrenimi, kullanıcılar ve yazılım geliştiriciler arasındaki sınırı bulanıklaştırır.
AIaaS veya MLaaS görünmeye başladı. Veriler büyüdükçe bulut modelleri gelişmeye devam ediyor. Bu nedenle, MLaaS işi SaaS'den daha zordur.
Kaynak: Huang Bastiane
Makine modeli eğitim verilerinden öğrenir, bu nedenle yüksek kaliteli veriler olmadan model iyi çalışmayacaktır. Çoğu durumda, kullanıcılar uygun veri kümelerini oluşturmak veya açıklama eklemek için en iyi uygulamaların farkında değildir.
Sistem performansı zayıf olduğunda, kullanıcılar genellikle modeli suçlar. Bu nedenle, AI / ML şirketleri genellikle çok fazla zaman ve kaynak eğitimi harcar ve AI şirketleri ile müşterileri arasında ortak bir sorumluluk haline gelen veri kalitesini sağlamak için kullanıcılarla işbirliği yapar.
Kaynak: unsplash
Örneğin, üretim hattında hata inceleme modellerini eğitmek için, bilgisayarla görme şirketlerinin kameraları doğru açı ve konumda kurmak, çözünürlüğü ve kare hızını kontrol etmek ve her sahnenin yeterli pozitif ve negatif eğitim örneğine sahip olduğundan emin olmak için müşterilerle birlikte çalışması gerekir.
Bazen robotlar veya araçlar insan tarafından çalıştırılmayı gerektirir, bu nedenle robotik veya kendi kendine giden araba uygulamaları kullanarak veri toplama daha fazla zaman alır ve maliyetlidir.
Bir eğitim kursundan ve tüm kullanım kılavuzlarını ve kılavuzları okuduktan sonra bile, kullanıcı tarafından oluşturulan verileri tam olarak kontrol edemezsiniz. Bir makine vizyon kamerası şirketi, mühendislerinin eksiksiz girdi sağlamak için tüm verileri manuel olarak doğrulayacağını söyledi.
Kaynak: unsplash
Tüm bunlar genellikle gözden kaçan ek eğitimler, manuel incelemeler, veri temizleme ve etiketleme görevleri, yapay zeka şirketleri için büyük genel giderlere neden olabilir. Daha ölçeklenebilir bir AI / ML projesinin kurulması gerekmesinin nedeni budur. Peki bu problem nasıl çözülür?
1. Ölçeklenebilirlik anahtardır.
Çok sayıda müşterinin satın almaya istekli olduğu doğru kullanım durumlarını belirleyin ve bunları çözmek için aynı model mimariyi kullanın. Son olarak, standart ürünler olmadan farklı şirketler için farklı modeller oluşturmanız ve eğitmeniz gerekir.
2. Mümkün olduğunca self servis sağlayın.
Operasyonel verimliliği artırmak ve el işçiliğine bağımlılığı azaltmak için eğitim ve veri hatlarını olabildiğince otomatikleştirin. Şirket içi araçlar veya otomasyonla karşılaştırıldığında, şirketler müşterinin gördüğü işlevleri açmaya değer verirler, ancak eskisi yakında ödüllendirilecektir. Dahili süreç otomasyonu için yeterli kaynakların tahsis edildiğinden emin olmanız gerekir.
3. Son olarak, maliyetleri, özellikle de gizli maliyetleri belirleyin ve izleyin.
Mühendis verileri temizlemek, filtrelemek veya toplamak için ne kadar zaman harcıyor? Üçüncü tarafın ek açıklamayı doğru bir şekilde tamamlamasını sağlamak için ne kadar zaman harcıyorlar? Müşterilerin ortamı kurmalarına ve verileri doğru bir şekilde toplamalarına yardımcı olmaları için ne kadar zamana ihtiyaçları var? Ne kadarı otomatikleştirilebilir veya dışarıdan temin edilebilir?
Kaynak: unsplash
Tesviye yolu zor ve uzun olabilir, ancak er ya da geç bazı sorunların üstesinden gelinmesi gerekir.
Yorum Beğen Takip Et
Yapay zeka öğrenme ve geliştirmenin kuru mallarını paylaşalım
Yeniden yazdırıyorsanız, lütfen arka planda bir mesaj bırakın ve yeniden yazdırma şartnamelerine uyun
