AI projeleri nihai koleksiyonu oluşturur! Google'ın Baş Karar İstihbarat Mühendisinden Deneyim
Xinzhiyuan Raporu
Şu anda, birçok ekip algoritmalar ve veriler üzerinde derinlemesine araştırma yaparak uygulamalı bir AI projesi başlatmaya ve ardından istenen çıktı ve hedefleri belirlemeye çalışıyor.
Ne yazık ki, bu süreç bir apartman dairesinde birkaç yıl köpek yavrusu yetiştirmeye benziyor ve ardından koyun gütmenize yardımcı olamayacağını görünce şaşırıyor.
Bunun yerine, bir köpek yavrusu yetiştirmeden önce (ML / AI sistemi) hedeflerinizin veya ihtiyaçlarınızın neler olduğunu bilmeniz ve ardından onu planlı bir şekilde eğitmeniz gerekir.
Bu kılavuz, bir ML / AI sisteminin nasıl düzgün bir şekilde geliştirileceğine dair derinlemesine bir çalışma yürütmüştür ve bunu aşağıdaki beş yönden açıklayacaktır:
-
Proje liderini belirleyin
-
Kullanıcı hikayelerini tanımlayın
-
Biraz doğruluk kontrolü yapın
-
Performans göstergeleri geliştirin
-
Bilişsel faktörlerin neden olduğu sapmaları ortadan kaldırmak için test standartları belirleyin
Bu kılavuzda insanlar kullanılır: karar vericiler, etikçiler, ML / AI mühendisleri, analistler, kalitatif uzmanlar, ekonomistler, psikologlar, güvenilirlik mühendisleri, yapay zeka araştırmacıları, alan uzmanları, kullanıcı deneyimi uzmanları, istatistikçiler, Yapay zeka kontrol teorisyeni.
Proje liderini belirleyin: son sözü söyleyeni bulun!
Makine öğrenimi ve yapay zeka projelerinde ilk adım doğru liderleri belirlemek olmalıdır
Çözeceğimiz sorun, proje liderinin kim olacağı, yani emirleri kimin vereceği.
Bu pozisyon için bir doktora araştırmacısı seçerseniz, bunun nedeni kişinin karar verme yeteneği ve işinizi derinlemesine anlaması olabilir. Bu rolü üstlenmelerine ve daha sonra yeteneklerini değerlendirmelerine izin vermeyi planlıyorsanız, yanlış kişiyi seçtiniz. Karar verici dediğimiz şey (bir birey veya bir komite olabilir), nihai kararı vermesi gereken bir oluşumdur.
Karar vericiler, karar verme sanatı ve biliminde yetkin değillerse, bir çözüm var: onları kalitatif uzmanlarla eşleştirin.
Kullanıcı hikayelerini tanımlayın
Çıktıya odaklanın
ML / AI sihir değildir, tüm sorunları çözemez. Onlar sadece bir etiket, üzerine hangi etiketi koymak istediğinizi bulmanız gerekiyor.
Nesne etiketleme, sınıflandırmadan daha fazlası anlamına gelir. Buradaki etiket çıktıyı ifade eder. Bir kategori, bir sayı, bir cümle, bir dalga formu, bir kimlik grubu, tek bir eylem, bir joystick hareketi, bir eylem dizisi vb. Olabilir.
Algoritmaların nasıl çalıştığına dair son makalemi okursanız, bu makalenin bir fincan çayı Cassie'nin sevdiği veya beğenmediği şeklinde etiketlemenin gerekli olduğunu varsaydığını fark edeceksiniz.
Bu tür kullanım örneklerini yaparak herkesin zamanını boşa harcamayı kim kabul eder? ! Şirketlere nasıl yardımcı olacak? Bu sınıflandırıcı var mı? İşe yarayacağını varsayarsak, inşa etmek için zamana ve çabaya değer mi?
Şu an "girdi" hakkında konuşmak için iyi bir zaman değil
Karar vericilerin çoğu verilere çok aşinadır. Bazı insanlar aynı anda girdi ve çıktı hakkında konuşabilir. Ama benim tavsiyem: "girdi" hakkında konuşmayın! Şöyle nedenleri vardır:
Sebep 1: Kaçırılan fırsatlar
Bu çok açık. Bazı paydaşlar verilere sizin kadar aşina değillerdir ve karıştırılmaları kolaydır. İlk günlerde, projeniz için kaynak bulmayı umarak fikirlerinizi onlara tanıtabilirsiniz. Ancak bu konuda kafalarının karışmasına izin vermeyin! Onlara projenin neyle ilgili olduğunu söyleyin, nasıl yapıldığını değil.
Verilere daha aşina olan birçok kişi bir sorunla karşılaşacak, yani başkalarının da çok hassas ve verilere aşina olduğu kanısına varacaklar. Beni gerçekten şaşırtan şey, bilim ve teknoloji endüstrisindeki en zeki insanların çoğunun verileri anlamamasıydı, bu yüzden artık bunun hafife alınmaması gerektiğini biliyorum.
Sebep 2: Varsayılan durumumuz mutlaka optimum değildir
Uzun yıllara dayanan deneyime sahip bir mühendis olarak, bizlerin ayrıntılara dikkat etmek ve genel durumuna bakmakla gittikçe daha fazla ilgilendiğini görüyorum. Bu aslında çok riskli bir seçimdir: Örneğin partnerinizle 6 saatinizi tartışarak geçirdiğinizde, x değişkeninin iyi bir girdi olup olmadığı ve tahmin edilen y çıktısının uygun bir kaydı olarak kullanılıp kullanılamayacağı, o zaman aslında Y'nin aramaya değer bir çıktı olduğu varsayılmıştır. Buna ikna oldunuz ve sonunda ihtiyacınız olmayan şeyleri yapmaya başlayabilirsiniz.
Makine öğrenimine hazır olmayabilirsiniz
Hala kullanıcı örneklerini aramakla meşgul müsünüz? Önce durdurun ve analiz edin Analizin amacı karar vericiler için ilham yaratmaktır. İlham aldığınızda, ML / AI sürecine geri dönebilir ve yeniden başlayabilirsiniz. Analiz (veri madenciliği gibi) her proje için iyi bir fikirdir ve ML / AI yalnızca etiketlemeyi otomatikleştirmek için verileri kullanan projeler için uygundur.
Aralarındaki matematiksel temel genellikle aynı olsa da, belirli süreçler oldukça farklıdır. Veri madenciliği, keşif hızını en üst düzeye çıkarmaktır, makine öğrenimi ise yüksek performansa ulaşmak için otomatikleştirilmiş bir süreçtir. Veri madenciliğinde, ekibiniz yalnızca bir hata yapar ve ikincisi çok fazla hata yapabilir. Bu baş ağrılarıyla yalnızca kaynaklara gerçekten yatırım yapmaya değer örneklerle uğraşırken ilgilenin.
Bu kullanım durumunu bir fincan çay ise resmi işaretleyerek hayal edelim. Öncelikle, sadece bir veya iki fincanı işaretlemeyi düşünmediğinizden emin olun. ML / AI, tekrar eden birçok kararı otomatikleştirmek için anlamlıdır, tek seferlik değildir.
Bir kalem alın ve kendi kararınızın işaretini yazın (bu örnek sadece evet / hayır içerir, ki bu kolaydır). Bu sonucu nasıl değerlendirdiğinizi yazın ve bir hatayı işaretlemenin nasıl görüneceğini yazın. Ardından makine öğrenimindeki hataları tahmin edin.
Gerçekleri kontrol etmek önemlidir
Aradığınız markayı net bir şekilde ifade edebildiğinizde, hızlı bir şekilde kontrol edebilirsiniz: Bu iş meselesiyle ilgili verileriniz var mı?
Bu veriler alakalı olmalıdır. Kan şekeri seviyenizi tahmin etmek için büyük veri modellerini kullanamazsınız. Açıkçası, işe yaramaz veriler sayılmaz. Verileri analiz etmenize gerek yoktur (bu daha sonra projede yapılır), ancak doğru zamanda neyin analiz edilmesi gerektiğini belirlemelisiniz. Veri olmadığı için yapay zeka projeleri artık mevcut değil.
Ek olarak, verileri işlemek için bilgi işlem gücünüz olup olmadığını da onaylamanız gerekir.
Veri desteği olmadan, AI projeleri bu inek gibi olacak
Bir ekip kurmadan önce aşağıdaki gerçekleri kontrol etmek gerekir. Aşağıdaki sorulara verilen yanıtların tamamının evet olduğundan emin olun. Aşağıda bu sorulara genel bir bakış yer almaktadır:
Uygun görevler: Birçok karar verme ve işaretleme sürecini otomatikleştiriyor musunuz? Her seferinde cevabı mükemmel bir şekilde bulmak imkansız mı?
Makul beklentiler: Sisteminiz mükemmel olabilir ama kusursuz değildir Ara sıra başarısız olan bir sistemi kabul edebilir misiniz?
Potansiyel olarak yararlı girdi var mı? Bu girdileri alabilir misiniz (şu anda bu verilere sahip değilseniz sorun değil, ileride planlar yaparken bu verileri alabilirsiniz)
Yeterli örnekler: Bir istatistikçi veya makine öğrenimi mühendisi ile içki içme fırsatınız olduğunda, şu anda kaç örneğiniz olduğunu ve ne tür çıktılar elde etmek istediğinizi belirtmeyi unutmayın.
Bilgisayar performansı: Kullandığınız veri kümesini işlemek için yeterli bilgi işlem gücünüz var mı? Bulut teknolojisi ile bu aslında artık büyük bir sorun değil.
takım: Gerekli becerilere sahip ekip arkadaşları işe alabileceğinizden yeterince emin misiniz?
Temel gerçekler: Denetimsiz öğrenim araştırmasıyla meşgul olmadığınız sürece, çıktıyı doğru bir şekilde alabiliyor musunuz? Değilse, bu görevi sizin için tamamlaması için birine ödeme yapmanız gerekiyor mu?
Takım kurmaya başlayabilirsiniz!
Ölçütleri akıllıca belirleyin
Acemiyseniz, sonraki adım biraz zor olabilir. İşaretlenen her sonucun değerine karar vermelisiniz. "Evet" olarak işaretlenmiş iğrenç bir fincan çayın tadı "hayır" olarak işaretlenmiş lezzetli bir fincan çaydan kaç kez daha kötüdür? Her şey sana bağlı!
Büyük bir kafanız varsa, beyin fırtınası yapmak için sayılara duyarlı birini bulabilirsiniz. En iyi yardımcıyı istiyorsanız, bazı ekonomistlerden yardım isteyebilirsiniz. Ekonomistler, AI projeleri için birçok faydalı fikir verdiler.
Tek bir çıktı sonucunun değiş tokuş probleminin nasıl ele alınacağını bulduktan sonra, binlerce sonuç sorunuyla nasıl başa çıkılacağını düşünmenin zamanı geldi. Ortalama kullanmak genel bir seçimdir, ancak ortalama olmak zorunda değildir.
Göstergeler geliştirin
Gösterge geliştirmenin birçok yolu vardır. Bu makaledeki yukarıdaki örnekte, çok basit bir kriter seçebilirsiniz: doğruluk! Yani "hata yapma" demek. Her hatanın eşit derecede kötü olduğunu (değer 0) ve her doğru yanıtın eşit derecede iyi çalıştığını (değer 1) ve ardından ortalamayı alın.
Belki vaktinizi boşa harcamak istemezsiniz Sistem lezzetli olduğuna karar verdiğinde gerçekten içmeye değer olduğundan emin olmalısınız, ancak çok iyi çayı kaçırabilirsiniz. Bu metriğe doğruluk denir.
Bir sorunla ilgili yardıma mı ihtiyacınız var? Daha önce bulduğunuz ekonomist gitti mi? sorun değil! Yoksa oyun tasarlamayı seven arkadaşlarınız mı var? Oyun severler tüm hayatlarını bilmeden eğitiyor! Bu tür bir kişiyle yakın bir ilişkiniz yoksa, analistlerinizi arayabilirsiniz. Görevleri, karar vericilerin bu tür şeyler hakkındaki görüşlerini onaylamalarına yardımcı olmaktır.
Bir uzman görüşüne danışın
Büyük sorunları içeren uygulamalarda, belirli göstergelerde uygunsuz ve zararlı bir şekilde yüksek puan almayacağınızı onaylamak için lütfen daha fazla uzmana danışın.
Hangi uzmanlar işe alınmalı? Karar verici, etikçi, AI kontrol teorisyeni, istatistikçi, kullanıcı deneyimi araştırmacısı, davranış ekonomisti, alan uzmanı ve güvenilirlik mühendisinin birlikte bir bara girmesi hakkında bir şaka duydunuz mu? ..
Tabi bu durum zararsız iş uygulamaları için biraz fazla olabilir, bu yüzden yardım istediğiniz uzmanın bu konulara aşina olması çok önemlidir.
Performans göstergeleri oluşturun!
Yukarıdaki adımları tamamladıktan sonra, iş performansı göstergeleri oluşturdunuz!
Kayıp fonksiyonunun aksine, performans göstergeleri açısından sonsuz olasılıklar vardır ve hangi göstergelerin gerçekten önemli olduğuna karar vermek karar vericiye bağlıdır. Bu sorunu çözme konusunda endişeliyseniz, bu göstergelerin geliştirilmesinde ustalaşmanıza yardımcı olacak daha fazla makale hazırlıyorum.
Kayıp işlevi test için değil, optimizasyon içindir
Yapay zeka uygulamalarında, istatistiksel test için değil, optimizasyon için kayıp işlevi kullanılmalıdır. İstatistiksel testlerde sorulması gereken soru şudur: "Modelin performansı inşa etmek ve başlatmak için yeterli mi? "
Kolaylık sağlamak için, işlevin liderinizin hayal ettiği ile aynı olması koşuluyla optimizasyon için standartlaştırılmış bir kayıp işlevi kullanabilirsiniz (korelasyon kontrolü analiz veya simülasyon yoluyla yapılabilir), ancak test ederken lütfen kendi kayıp işlevinizi kullanın.
Hedef popülasyon için test standartları belirleyin
İlgilendiğiniz hedef grubu belirleyin
Hangi örnekleri kullanmayı düşündüğünüzü belirtmeden önce, sistemin "çalışıp çalışmadığını" konuşmak mantıklı değildir. Evet, bu, ilgilendiğiniz belirli insan gruplarını belirtmeniz gerektiği anlamına gelir.
Test sisteminin standartlarını belirlemek karar vericilerin sorumluluğundadır ve ciddiye alınmalıdır.
Standartları önceden belirlemek, bizi korkunç makine öğrenimi ve yapay zeka sistemleri oluşturmaktan korumak için önemli bir adımdır.
Bu standart benzersiz değildir. Bir takımın elde edebileceği performans seviyesini de ayarlayabilirsiniz, ancak bu bir test standardı değildir. Lütfen test ederken minimum standardı kullanın.
İçsel bilişsel önyargıların etkilerinin üstesinden gelin
Gerçekler, insanoğlunun bir üyesi olarak hepimizin bazı hoş bilişsel önyargılarımız olduğunu kanıtladı, bu da basitçe şu şekilde özetlenebilir: bir şeye zaman ve enerji harcadığımızda, bir sürü zehirli olsa bile ona aşık olacağız. Çöp!
Bu nedenle, hala uyanıkken, zamanınızın ve enerjinizin çoğunu bir projeye ayırmadan önce, iş projesindeki sorunları soğuk ve titiz bir şekilde gözden geçirmeli ve şunları başarabilmelisiniz: "Bu proje minimum gereksinimleri karşılamıyorsa, ben Kısalttığınızdan emin olun! "
Çok sert olma
Yapay zeka modellerinin insanlardan daha iyi performans göstermesini her zaman talep ediyorsanız, fırsatı kaçırmanıza izin verebilirsiniz. Bu biraz, sadece evinizin dekorasyonu için yer karolarını döşemek için Olimpik altın madalya almaya istekli olduğunuzu söylemek gibidir. Belki Olimpik sporcular sıradan insanlardan daha yeteneklidir, ancak bu kadar katı işe alım standartlarını kullanmak sizi işsiz bırakabilir.
Standart, iş ihtiyaçlarını karşılayabilmesi için uygun şekilde düşürülmelidir, ancak minimum standarttan daha düşük olmamalıdır. Ekonomistlerin söylediği gibi, standartları asgariye indirmek teşvik edicidir.
Bazen otomatik ürünlerin birim kalitesi, el yapımı ürünlerinkinden daha düşüktür, ancak makine üretiminin ölçeği ve hızı onu ticari olarak değerli kılar. Bu, işletmeniz için değerli mi? Hey, yetkili kişi sensin, ben değil. iyi şanslar!
Yukarıdakiler, yapay zeka / makine öğrenimi proje yapımı için ilk adım kılavuzudur! Bu kılavuzdaki herhangi bir noktayı değerli bulursanız, lütfen bunları çevrenizde, karar verme sürecinden en çok sorumlu olan kişilerle paylaşın. Yapay zeka için daha iyi bir gelecek yaratmak için yetenekli ve sorumlu yapay zeka liderlerinden oluşan bir ekip oluşturalım!
Referans bağlantısı:
https://towardsdatascience.com/the-ultimate-guide-to-starting-ai-d506255d7ea
Xinzhiyuan AI DÜNYA 2018
Dünya Yapay Zeka Zirvesi Tam inceleme
Xinzhiyuan, 20 Eylül'de Pekin'deki Ulusal Kongre Merkezi'nde AI WORLD 2018 Dünya Yapay Zeka Zirvesi'ne ev sahipliği yaptı. Makine zekası ve insan kaderi.
Xinzhiyuan AI World 2018'in büyük olayını gözden geçirin:
IQIYI
Sabah: https://www.iqiyi.com/v_19rr54cusk.html
Öğleden sonra: https://www.iqiyi.com/v_19rr54hels.html
Sina:
