چرا بیشتر مبتدیان باید از ماشین Learning خود خارج شوند.

مردم می گویند که یادگیری ماشینی می خواهد شیوه کار اینترنت را تغییر دهد. این امر باعث می شود تا مشاغل باهوش تر ، مؤثرتر و آگاه تر شوند. نرخ کلیک بالاتر از طریق نرخ ، محتوای بهتر و توصیه محصولات و تقسیم بندی مشتری بهتر وجود خواهد داشت.

واقعیت سال 2017 این است که فقدان برنامه نویسان ، پیچیدگی های بیشتر و کمبود ابزار با کیفیت وجود دارد. به طور کلی ، یادگیری ماشین خام است ، بنابراین هیچ کس نمی خواهد از آن استفاده کند تا اینکه درآمد را دو برابر کند.

من از یک شرکت ML SaaS (نرم افزار یادگیری ماشین به عنوان سرویس) آمده ام. من می خواهم به ارزش شرکت های ارائه دهنده ماشین یادگیری به عنوان یک سرویس اشاره کنم.

یادگیری ماشینی اغلب با درک انسان در ارتباط است.

یادگیری ماشینی اغلب با درک انسان در ارتباط است

آشنایی با یادگیری ماشین

وقتی در مورد یادگیری ماشین صحبت می کنیم ، معمولاً منظور ما از یادگیری نظارت شده است. این شامل داده های ورودی مانند جملات و برچسب هایی مانند احساسات = غمگین است. این مجموعه داده یک شبکه عصبی را برای یک کار خاص مانند تشخیص احساسات پاراگراف آموزش می دهد.

ورودی بیشتر به معنای درک بهتر مشکل و داده های آموزشی بیشتر است. این منجر به استفاده بیشتر ، شبکه عصبی بهتر و عملکرد بهتر می شود.

این یک حلقه بازخورد شگفت انگیز است که همراه با یادگیری ماشین است

یک واقعیت بسیار مهم ML این است که داده های آموزش باید همان داده های تولید شده توسط کاربر و سیستم باشند.

اپل سیری را برای فهم جملات انگلیسی با تغذیه متن و متن آن نوشت. اگر من از سیری به زبان چینی بپرسم ، سعی خواهد کرد که هجا های ما را با کلمات انگلیسی متناسب کنید و این کارایی نخواهد داشت.

1. مزایای برون سپاری یادگیری ماشین

بازخورد حلقه و داده های بزرگ

مقدار داده ها همه را ضرب و شتم می کند. این برای ML صادق است و همچنین دلیل اصلی برون سپاری است.

شما هرگز به همان میزان از داده های صوتی به عنوان آمازون از بستر Echo خود دریافت نخواهید کرد. شما هرگز به همان اندازه داده Google را حاشیه نویسی نمی کنید. برای سخت افزارها و برنامه های کاربردی محور ممکن است برای SaaS بروید. این شامل پردازش زبان طبیعی (NLP) ، تشخیص کلی تصویر ، تشخیص چهره و تحلیل احساسات است.

چگونه آن را تشخیص می دهید؟ از خود بپرسید ، "آیا کسی می تواند 1000 برابر بیشتر از من صاحب اطلاعات باشد؟"

حلقه بازخورد یک وضعیت برد-برد است. مشتری بهترین راه حل را بدست می آورد و شرکت می تواند بهترین محصول را در بازار بسازد.

شما باید خدمات SaaS را تست کرده و از تناسب آموزش و داده های خود مطلع شوید. در صورت عدم وجود صحیح ، هیچ صحت و حوصله ای وجود ندارد و SaaS به سختی وقت و منابع برای سرمایه گذاری در راه حل برای شما سرمایه گذاری نخواهد کرد.

زمان و هزینه توسعه

کارشناسان ML مانند برنامه نویسان Embedded-C هستند. گران قیمت و یک گونه نادر است.

اگر 3 ماه ، 2 کارشناس ML و 1 توسعه دهنده عقب سرمایه گذاری کنید تا راه حل ها را تهیه کنید ، 3 * (2 * (150K / 4) + 110K / 4) = 307K USD هزینه خواهد کرد. این 307/12 = 25 سال خدمات 1K / ماه SaaS است. حتی با قیمت نصف هزینه های توسعه ، بازی را بیش از حد تغییر نخواهد داد.

TensorFlow پرکاربردترین کتابخانه ML است که هنوز در دست ساخت است. با استفاده از آن ، شما هنوز هم باید راه حل خود را برای مقیاس ، به روزرسانی و ارکستراسیون تنظیم کنید

این یک ارزش عظیم از شرکتهای SaaS به عنوان پرداخت می باشد. آنها راه حل هایی را ارائه می دهند که ارزان برای آزمایش و سریع برای اجرای آنها هستند.

آگاهی از ساختار مسئله

اغلب داده ها و مدل تنها چالش ها نیستند. ممکن است بدانیم مشکل چیست ، اما راه حل توسط افراد هوشمند ساخته شده است.

با استخدام افراد مناسب می توانید دانش و تخصص بخرید. اما بهترین افراد در صنعت برای متمرکزترین شرکت کار می کنند.

SaaS بیشترین افراد را کسب می کند و دانش را بر اساس صدها مشتری که با آنها کار کرده اند جمع می کند. این می تواند موانع را به شما نشان دهد و عملکردی اضافی را که از قبل به آن فکر نکرده بودید ، در اختیار شما قرار دهد.

بهینه سازی ML و فرا یادگیری

داشتن بسیاری از مشتری های مشابه داده های مشابه زیر یک سقف را به ارمغان می آورد. این امکان تنظیم دقیق شبکه های عصبی را برای تسلط بر کار خاص فراهم می کند.

این شرکت با تمرکز بر روی تشخیص چهره ، عمیق ترین درک ، بیشتر کارایی ها و بهترین عملکرد را برای آن کار فراهم می کند. این یک دانش معمول است ، اما تأثیر آن حتی در یادگیری ماشین نیز بیشتر است.

مورد خاص بهینه سازی فرا یادگیری است. محصول ما تشخیص تصویر قابل آموزش است. اطلاعات هر مشتری متفاوت است. این به ما اجازه نمی دهد یک شبکه عصبی را تنظیم کنیم.

در عوض ، ما پارامترهای شبکه عصبی یک مدل را بر اساس داده های ورودی موجود تغییر می دهیم. ما از هزاران جفت مدل داده استفاده می کنیم. این به ما امکان تجزیه و تحلیل داده های ورودی را می دهد. سپس می توانیم 5 ترکیب برتر پارامتر را برای هر مجموعه داده انتخاب کنیم. فقط این مدل ها آموزش دیده اند. پس از آموزش ، بهترین مورد انتخاب می شود و هر 5 نتیجه می تواند به ایجاد پیش بینی بهتر برای آینده کمک کند.

به این ترتیب ما یک متخصص ML شخصی را برای هر مشتری با یادگیری بیشتر ماشین جایگزین می کنیم.

یادگیری ماشین در سال 2017 جایگزین شغل افراد نمی شود بلکه به افراد کمک می کند تا باهوش تر عمل کنند

زیرساخت و DevOps

مقیاس گذاری از ابتدا مهم است. زمان اجرای یادگیری ماشین معمولاً بیشتر از یک سؤال ساده بانک اطلاعاتی است. ساختن یک معماری مستحکم در اطراف TensorFlow با یک حلقه بازخورد یادگیری مداوم در دستگاه کار می کند.

پشته معمولی برای مدل ML مستقر Docker ، Kubernetes ، TensorFlow و برخی از ارائه دهندگان ابری مانند AWS است. این شامل ساختن یک خوشه پوسته پوسته شدن مبتنی بر ابر ، با یک ابزار آموزش و حاشیه نویسی مبتنی بر تقاضا GPU است.

ما سعی کرده ایم با سخت افزار خودمان سر و کار داشته باشیم اما این روش خوبی برای شروع نیست.

پشته یادگیری ماشین

2. منفی برون سپاری یادگیری ماشین

مزیت رقابتی ندارد

اگر توسعه ای حاصل نشود ، هیچ مزیت رقابتی وجود ندارد. SaaS راه حلی ارائه می دهد و تمرکز اصلی آن مقیاس گذاری آن در حد امکان است. در عین حال ، توسعه چیزی بهتر از آنچه Saas ارائه می دهد سخت است.

اگر اطلاعات اضافی داریم که در راه حل SaaS گنجانده نشده است ، ساخت آن جالب است. اما اگر ارائه دهنده 100٪ از آنچه ما نیاز داریم را پوشش می دهد ، بسیار بهتر از آن است.

مشکلات خاص پوشانده نمی شود

برخی از داده ها خیلی خاص هستند و هیچ SaaS برای آن وجود ندارد. به عنوان مثال ، براساس داده های تحلیلی پوند ، SaaS برای پیش بینی نمره ماهیگیری وجود نخواهد داشت. شما باید آن را به تنهایی توسعه دهید.

در بعضی از مناطق ، ممکن است SaaS راه حل های قابل تنظیم را برای یک بازار محدود ارائه دهد. اما مراقب راه حل هایی باشید که خیلی کلی هستند. آنها ممکن است تنها یک بسته بندی رابط کاربری گرافیکی را برای TensorFlow به عنوان تنها ویژگی آن ارائه دهند. این می تواند عملکرد محدودی ایجاد کند.

تصویر از www.unsplashed.com

به اشتراک گذاری داده ها

برخی از شرکت ها با داده های مهم ، داده های ارزشمند یا اطلاعات شخصی کار می کنند. شرکت های ML SaaS باید دسترسی به داده های کاربر داشته باشند. احتمال رمزگذاری کاربر نهایی وجود ندارد. این تفکر دقیق در مورد حفظ حریم خصوصی در چند سال گذشته تغییر بسیاری کرده است.

در بیشتر موارد ، من به جای کار کردن بر روی یک راه حل ML ، روی یک توافق نامه سطح سرویس خوب (SLA) توصیه می کنم.

برای شرکت های بزرگی مانند Uber ، Airbnb و Pinterest که ML فن آوری اصلی است و بودجه بسیار زیاد است ، توسعه ML امری ضروری است.

برای سایر شرکت ها ، یک مأموریت مهم تر از تکرار ویژگی های ML وجود دارد.

نتیجه

طبق معمول "بله" مستقیم وجود ندارد. پذیرش ML SaaS تقریباً با محبوبیت ارائه دهنده SaaS با یک تفاوت واحد ارتباط دارد.

در صورت نیاز ، ساختن ویژگی های بازاریابی ایمیل خود مانند MailChimp کار سختی نیست. با این وجود تلاش زیادی برای ساختن یک سیستم توصیف کلیک از طریق نرخ بر اساس یادگیری ماشین انجام می شود.

برخی از قابلیت های مانند راه حل تشخیص صدا آمازون یا تشخیص کلی تصویر گوگل تقریباً غیرممکن است با همان دقت.

هر توسعه دهنده باید قبل از اینكه متعهد به ساختن ویژگی یادگیری ماشینی در یك ماه باشد ، تحقیق SaaS را انجام دهد

اگر به فناوری تخصصی تشخیص تصویر علاقه دارید می توانید به صفحه یادگیری ما مراجعه کنید و در آنجا می توانید جزئیات بیشتری را پیدا کنید. ممنون که خوندید

من مقاله های زیادی را خوانده ام که به احتمالات آینده هوش مصنوعی اشاره می کنند و هیچ کس حتی به آن نزدیک نشده است.

آنچه من از ارزش واقعی می یابم عبارت است از: تجزیه و تحلیل متن ، بهینه سازی از طریق نرخ کلیک ، تجزیه و تحلیل تصویر ، توصیه محتوا ، پردازش زبان طبیعی ، داده کاوی و درک اسناد.

در اینجا مجموعه ای از مقالات راه حل های مبتنی بر هوش مصنوعی امروز ارائه شده است: لیستی از ابزارهای هوش مصنوعی که می توانید امروز از آنها استفاده کنید - برای استفاده شخصی (1/3) - برای مشاغل (2/3) - مخصوص صنعت (3/3)