建站
咨詢
售后
建站咨詢
新聞中心
大數(shù)據(jù)文摘出品
在石鼓等地區(qū)，都構(gòu)建了全面的區(qū)域性戰(zhàn)略布局，加強發(fā)展的系統(tǒng)性、市場前瞻性、產(chǎn)品創(chuàng)新能力，以專注、極致的服務(wù)理念，為客戶提供成都網(wǎng)站設(shè)計、成都網(wǎng)站制作 網(wǎng)站設(shè)計制作按需定制網(wǎng)站,公司網(wǎng)站建設(shè),企業(yè)網(wǎng)站建設(shè),成都品牌網(wǎng)站建設(shè),成都全網(wǎng)營銷,外貿(mào)網(wǎng)站建設(shè),石鼓網(wǎng)站建設(shè)費用合理。
來源：topbots
編譯：武帥
在一場科技會議上，演講者詢問觀眾，“有誰為自己的業(yè)務(wù)開發(fā)過機器學(xué)習(xí)或者人工智能模型?”80%到90%的人都舉起了手。
“那么，你們當中有誰將它投入生產(chǎn)了呢?”演講者繼續(xù)發(fā)問。幾乎所有的人都放下了手。顯而易見，幾乎每個人都想在他們的業(yè)務(wù)中引入機器學(xué)習(xí)，但是這些人也遇到了一個大問題：讓模型可持續(xù)發(fā)展十分困難，尤其是在云架構(gòu)的基礎(chǔ)上。
medium上一位博主也指出了這個問題，并提出了將機器學(xué)習(xí)模型投入生產(chǎn)的4個常見陷阱。
不要重新造輪子
大家對這句話早已耳熟能詳，卻并沒有什么改進，我們可以看到過太多因為拒絕使用已有的解決方案而失敗的案例。
比如，Amazon Web Services(AWS)和Google Cloud有著性能強大的機器學(xué)習(xí)套件和產(chǎn)品，且簡單易用，雖然他們不適用于每個案例，但是它們絕對是很好的一個入門平臺，特別是當公司員工沒有豐富的機器學(xué)習(xí)經(jīng)驗的時候。
使用Google Vision API進行情感檢測
上面就是可以利用Google Cloud的Vision API提取信息的一個示例。假設(shè)有顧客對產(chǎn)品的反映的圖片或者視頻的數(shù)據(jù)，并且想根據(jù)他們的面部表情來了解他們對產(chǎn)品的態(tài)度。那么就可以簡單地將圖片或者視頻作為數(shù)據(jù)提交給Google Vision進行處理，從而得到每張臉所呈現(xiàn)的大致情緒。
通常，AWS和Google Cloud上的產(chǎn)品的性價比就已經(jīng)不錯了。此外，由于平臺會處理版本更新，功能添加等問題，因此維護工作也十分簡單。
解決方案不是一成不變的
對于較小的項目，這種簡單易行的方法可能足矣。但是對于更大的項目而言，要么成本過于昂貴，要么需要更多的自定義功能。
這種項目通常需要定制解決方案。就像之前提到的，有許多項目因為做得太多而失敗，同樣地，也有許多項目因為做得太少而失敗。我們需要保持“增量收益”的心態(tài)，即在不犧牲長期目標的前提下從我的產(chǎn)品中盡可能多地提取短期價值，但有時這種行為會破壞產(chǎn)品設(shè)計。
可以通過下述途徑來解決這個難題：
- 確保足夠了解當前問題以及期望的業(yè)務(wù)價值
- 進行必要的研究。
對于第一種途徑，如果團隊一開始就在技術(shù)細節(jié)上陷入困境，那么很可能見樹不見林。你必須時刻提醒自己“我真正想要完成的是什么?”
第二種途徑稍微有點復(fù)雜?？梢韵仍诠雀鑼W(xué)術(shù)上進行研究，梳理一下相關(guān)的學(xué)術(shù)出版物或博客文章，看看別人是如何解決我遇到的問題的。如果沒有滿意的結(jié)果，那么接下來試著找下相似的問題(可能是不同領(lǐng)域)，直到找到一個不錯的線索。屆時，再尋找現(xiàn)成的解決方案，看看它們能否滿足需求。
如果滿足的話就實施該方案。如果不能，就需要構(gòu)建更多的自定義項。
沒有適當?shù)卮_定風險
在開發(fā)出一個很棒的解決方案之后，很多時候我們忘了這些模型固有的風險。當人們說“我們并不真正理解模型是如何工作的”，某種程度上來說確實如此?？山忉尩腁I是一個快速發(fā)展的領(lǐng)域，致力于確切地回答這類問題：“為什么這個模型是這樣運行的?”
但是當我們能夠確切解釋模型是怎樣運行這個問題之前，我們不得不采取一些必要的預(yù)防措施。
1. 了解模型之間的特征和相關(guān)性
通常，我們不希望我們的模型基于種族、性別、收入水平等因素進行決策，所以我們不將它們作為輸入。這樣就萬事大吉了吧?不一定。我們必須確保這些因素不會滲入到我們正在使用的其他特征中。例如，郵政編碼是一個很強的人口統(tǒng)計指標，據(jù)此可以推斷其所在區(qū)域。因此，在每個項目開始之前，我們必須花大力氣來探索數(shù)據(jù)。
2. 是否允許模型在生產(chǎn)中不斷發(fā)展?
當我向一些人提到“機器學(xué)習(xí)”時，他們通常認為那就是說模型會隨著人機交互而實時變動。雖然有些模型做到了這一點(改天撰文詳談)，但是也有很多模型并沒有做到，而且理由很充分。即使缺少必要的檢查和監(jiān)控，在輸入數(shù)據(jù)急劇變化的情況下，模型也不會失控。
但事實并非如此。假設(shè)你有一個根據(jù)市場趨勢動態(tài)更新的股票交易模型。在正常的市場中，它的效果很好，但是如果發(fā)生了某些不可預(yù)測的事(通常會在最糟糕的時候發(fā)生)，模型可能會為了適應(yīng)新環(huán)境而過度補償，從而完全放棄了原先訓(xùn)練的策略。
3. 你打算多久重新訓(xùn)練或更新一次模型?
這個問題并沒有標準答案。它完全取決于你的問題和建模技術(shù)，但是盡早弄清這一點還是很重要的。你應(yīng)該有一個標準的更新方法和策略，原因很簡單：你怎么知道你的模型是在提升還是在下滑?
假設(shè)我有一個75%準確率的模型投入了生產(chǎn)。我怎么確定準確率是75%呢?通常，我會使用部分歷史數(shù)據(jù)作為驗證集(通常是20%)進行驗證。
現(xiàn)在假設(shè)我一個月后更新了模型，發(fā)現(xiàn)我的準確率居然達到了85%(多棒，快夸夸我)!于是我很開心地將更新推送到了平臺上。但是，我突然發(fā)現(xiàn)結(jié)果大幅度下降了，我的客戶也不停地抱怨。到底啥情況?
原因很簡單：如果我沒有保存我的驗證集(用來測試準確率的原始數(shù)據(jù))，那么我就不是拿蘋果和蘋果進行對比了。我不能確定更新后的模型性能是否比初始模型要好，這就會引起很多麻煩。
剛開始時并不需要用到機器學(xué)習(xí)
盡管這么說有點傷人，但是這很可能是你閱讀本文后的最大收獲。盡管機器學(xué)習(xí)被認為是當今計算機科學(xué)最酷的領(lǐng)域之一，但人們往往會忽略這樣一個事實：它只是皮帶上的工具，并不是皮帶本身。
你不會用手提鉆來釘釘子，所以當你能用基本的Python腳本完成任務(wù)時，不要使用機器學(xué)習(xí)。能夠使用尖端技術(shù)對我們來說誘惑力太大了，我也深知這一點，但是如果沒有必要的專業(yè)知識，你可能會造成不必要的失敗。
我見過太多這樣的例子了，人們在設(shè)計產(chǎn)品之前往往進行這樣的頭腦風暴：“我們怎樣使用一個聊天機器人?”，“你認為我們可以用面部識別做些什么?”……但是事實是，這些想法基本上都沒啥用。
鏈接：https://www.topbots.com/pitfalls-in-putting-ml-model-in-production/
【本文是專欄機構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號“大數(shù)據(jù)文摘（ id: BigDataDigest）”】
網(wǎng)站名稱：機器學(xué)習(xí)轉(zhuǎn)化為生產(chǎn)力，警惕這4個常見陷阱！
本文URL：http://www.dlmjj.cn/article/ccisegc.html
