Exercice 7a: Votre problème, formulé comme un problème de ML
Notez ou cochez la case correspondant à la solution technique la plus adaptée à votre problème. Pour résoudre notre problème, procédez comme suit:
qui prédit ou génère:
Si votre solution est mieux adaptée à un modèle de ML prédictif, consultez les questions suivantes. Si votre solution est conçue comme une IA générative, consultez MakerSuite. Un IDE basé sur un navigateur vous permet de tester différentes invites pour un prototypage rapide de modèles de langage génératifs.
Exercice 7b: Caster votre problème en tant que problème plus simple
Au début, des formulations plus simples pour résoudre les problèmes sont plus faciles à trouver et à mettre en œuvre. Prenez le problème en question et déclarez-le en tant que classification binaire ou problème de régression unidimensionnel (ou les deux).
Exercice 8: Concevoir les données pour le modèle
Écrivez les données que le modèle de ML prédictif doit utiliser pour effectuer des prédictions.
Conseils pour optimiser les annonces
Une ligne constitue une donnée pour laquelle une prédiction est effectuée.
N'incluez que les informations disponibles au moment de la prédiction.
Chaque entrée peut être une liste scalaire ou unidimensionnelle d'entiers, de floats ou d'octets (y compris des chaînes).
Si une entrée présente une structure différente d'une liste scalaire ou unidimensionnelle, vous pouvez choisir si cette représentation est la mieux adaptée pour vos données.
Exemple :
Si une cellule représente au moins deux éléments sémantiquement différents dans une liste unidimensionnelle, vous pouvez les diviser en entrées distinctes.
Si une cellule représente un tampon de protocole imbriqué, vous pouvez aplatir chaque champ du tampon de protocole imbriqué.
Exceptions: données audio, image et vidéo, où une cellule est un blob d'octets.
Exercice 9: Origine des données
Notez l'origine de chaque entrée.
Évaluer le travail à réaliser pour développer un pipeline de données afin de construire chaque colonne pour une ligne.
Conseils pour optimiser les annonces
Quand l'exemple de résultat sera-t-il disponible pour l'entraînement ?
Si l'exemple de résultat est difficile à obtenir, vous pouvez revoir l'exercice 5 (Utiliser la sortie) et déterminer si vous pouvez utiliser un résultat différent pour votre modèle.
Assurez-vous que toutes vos entrées (à l'exception de la sortie) sont disponibles au moment de la diffusion (lorsque la prédiction est effectuée), dans le format que vous écrivez.
S'il est difficile d'obtenir toutes vos entrées au moment de la diffusion dans le même format, vous pouvez revoir l'exercice 8 (Concevoir les données pour le modèle) afin de réexaminer les entrées ou l'exercice 5 afin de déterminer à nouveau le moment où l'inférence peut être effectuée.
Exercice 10: Entrées facilement obtenues
Parmi les entrées que vous avez indiquées dans l'exercice 8, choisissez une à trois entrées faciles à obtenir et qui, selon vous, produiraient un résultat initial raisonnable.
Conseils pour optimiser les annonces
Dans l'exercice 6, vous avez listé une heuristique que vous pourriez utiliser. Quelles informations seraient utiles pour implémenter ces méthodes heuristiques ?
Tenez compte des coûts d'ingénierie nécessaires pour développer un pipeline de données afin de préparer les entrées, ainsi que des avantages attendus de chaque entrée du modèle.
Concentrez-vous sur les entrées pouvant être obtenues à partir d'un seul système à l'aide d'un pipeline simple. Nous vous conseillons de commencer par un minimum d'infrastructure.
Imprimer ou enregistrer
Cliquez sur le bouton ci-dessous pour imprimer ou enregistrer vos réponses au format PDF.
