تمرین 1: واضح و ساده شروع کنید

بنویسید که مایلید مدل یادگیری ماشین چه کاری انجام دهد.

ما می‌خواهیم مدل یادگیری ماشینی:

نکاتی برای موفقیت
در این مرحله، بیانیه می تواند کیفی باشد، اما مطمئن شوید که هدف واقعی شما را نشان می دهد، نه یک هدف غیر مستقیم. اگر مطمئن نیستید، نگاهی به درس‌های قبلی بیندازید و ببینید مدل‌های یادگیری ماشینی احتمالاً چه کاری می‌توانند انجام دهند.

تمرین 2: نتیجه ایده آل شما

افزودن مدل ML خود به سیستم شما باید نتیجه مطلوبی داشته باشد. این نتیجه مستقل از خود مدل چیست؟ توجه داشته باشید که این نتیجه ممکن است کاملاً با نحوه ارزیابی مدل و کیفیت آن متفاوت باشد.

نتیجه ایده آل ما این است:

نکاتی برای موفقیت
نیازی نیست خود را به معیارهایی محدود کنید که محصول شما قبلاً برای آنها بهینه شده است (این موارد در تمرین بعدی پوشش داده خواهد شد). در عوض، سعی کنید بر روی هدف بزرگتر محصول یا خدمات خود تمرکز کنید.

تمرین 3: معیارهای موفقیت شما

معیارهای موفقیت و شکست خود را با سیستم ML یادداشت کنید. معیارهای شکست مهم هستند، یعنی چگونه متوجه می شوید که آیا سیستم ML شکست خورده است؟ هر دو معیار موفقیت و شکست باید مستقل از معیارهای ارزیابی مدل بیان شوند. به عنوان مثال، در مورد دقت، یادآوری یا AUC صحبت نکنید. در عوض در مورد نتایج پیش بینی شده صحبت کنید. غالباً این معیارها با نتیجه ایده آلی که در بالا مشخص کردید مرتبط است.

معیارهای موفقیت ما عبارتند از:

مدل ML ما ناموفق تلقی می شود اگر:

نکاتی برای موفقیت
  • آیا معیارها قابل اندازه گیری هستند؟
  • چگونه آنها را اندازه گیری خواهید کرد؟
  • چه زمانی می توانید آنها را اندازه گیری کنید؟
    • چقدر طول می کشد تا بدانید سیستم جدید ML شما موفق است یا شکست؟
  • هزینه های مهندسی و نگهداری را در بلندمدت در نظر بگیرید.
  • ممکن است شکست نه تنها به دلیل عدم دستیابی به معیار موفقیت باشد.

تمرین 4: خروجی شما

خروجی ای را بنویسید که می خواهید مدل ML شما تولید کند.

خروجی مدل ML ما خواهد بود:

خروجی به صورت یکی از موارد زیر تعریف می شود:

نکاتی برای موفقیت
  • خروجی باید با تعریفی که یک ماشین می تواند تولید کند قابل اندازه گیری باشد.
  • اگر از ML پیش‌بینی‌کننده استفاده می‌کنید، آیا می‌توانید خروجی‌های نمونه را برای استفاده برای داده‌های آموزشی بدست آورید؟
    • چگونه و از چه منبعی؟
  • نمونه های خروجی شما ممکن است نیاز به مهندسی داشته باشند، مانند تبدیل زمان تماشا به صدک.
  • اگر به‌دست آوردن خروجی‌های نمونه برای استفاده برای آموزش دشوار است، ممکن است لازم باشد پاسخ‌های خود به تمرین‌های گذشته را مجدداً بررسی کنید تا مشکل و اهداف خود را به مواردی که به شما امکان می‌دهد مدلی را بر روی داده‌های خود آموزش دهید، مجدداً فرموله کنید.

تمرین 5: استفاده از خروجی

بنویسید چه زمانی خروجی شما باید از مدل ML بدست آید و چگونه در محصول شما استفاده می شود.

خروجی از مدل ML زمانی به دست می آید که:

نتیجه برای موارد زیر استفاده خواهد شد:

نکاتی برای موفقیت
در نظر بگیرید که برای پیش بینی به چه داده هایی نیاز دارید. برای مثال، اگر از ML برای پیش‌بینی زمان سفر در یک برنامه نقشه استفاده می‌کنید، ممکن است اینطور نوشته شود: «خروجی از مدل زمانی به دست می‌آید که کاربر مبدا، مقصد و نحوه حمل‌ونقل را انتخاب کند».
در نظر بگیرید که چگونه از نتیجه پیش بینی شده در محصول خود استفاده خواهید کرد.
  • آیا بلافاصله در یک UI به کاربر ارائه می شود؟
  • آیا با منطق تجاری بعدی مصرف خواهد شد؟
  • چه شرایط تاخیری دارید؟
این الزامات (نیازهای سرویس دهی مدل ML) می توانند بر اطلاعاتی که می توان برای پیش بینی استفاده کرد تأثیر بگذارد. مثلا:
  • تأخیر استفاده از داده ها از سرویس های راه دور ممکن است استفاده از آنها را غیرممکن کند.
  • اگر منابع داده در ارائه اطلاعات جدید تأخیر داشته باشند:
    • گزارش های پردازش شده ممکن است فقط یک بار در روز تولید شوند.
    • اطلاعات خاصی تا زمانی که واقعاً اتفاق نیفتد شناخته نمی شوند (مانند رویدادهای تبدیل).
تست اوراکل: فرض کنید همیشه پاسخ صحیح را داشتید. چگونه از آن در محصول خود استفاده می کنید؟

تمرین 6: اکتشافی شما

بنویسید اگر از ML استفاده نمی کردید چگونه مشکل را حل می کردید. به عنوان مثال، از چه اکتشافی ممکن است استفاده کنید.

اگر از ML استفاده نمی کردیم، این کار را می کردیم:

نکاتی برای موفقیت
در مورد سناریویی فکر کنید که در آن باید محصول را فردا تحویل دهید، و فقط می توانید منطق کسب و کار را کدگذاری کنید. شما چکار انجام خواهید داد؟
روی دکمه زیر کلیک کنید تا پاسخ های خود را چاپ کنید یا به صورت pdf ذخیره کنید.

چاپ صفحه