Masuk ke dalam Machine Learning (ML) tanpa mengetahui apa yang ingin Anda capai adalah resep untuk sebuah bencana. Mari kita mulai secara baik dengan panduan pencegahan bencana langkah demi langkah ini.
Master Bencana Comet Labs ), saya memiliki kesempatan bekerja dengan ratusan startup dan perusahaan di seluruh dunia untuk membantu mereka menentukan strategi ML, mulai dari framing masalah sampai implementasi end-to-end model ML yang beroperasi dalam produksi. Kami bekerja sama dalam menerapkan model untuk meningkatkan efisiensi operasional (mis. peralatan internal, DevOps, dll.), menyingkirkan bottleneck (mis. memberikan “kekuatan magis” kepada tim layanan pelanggan), mengembangkan fitur produk yang didukung ML, dan membangun produk baru bersama-sama.
Langkah 0: Lakukan Uji Respons Awal
Terlepas dari tahap perusahaan Anda, Anda harus terlebih dahulu melakukan tinjauan kritis terhadap praktik operasional saat ini, bottleneck, peluang pertumbuhan, dan potensi pengembangan fitur dan produk baru. Ada banyak cara untuk memanfaatkan ML sebagai bagian dari solusi . Ingatlah bahwa banyak kemungkinan blok pembangun bisnis Anda akan “berbicara satu sama lain” dan memengaruhi satu sama lain setelah Anda menerapkan infrastruktur data.
Jadikan bisnis Anda lebih efisien (dan lebih murah dioperasikan)
Tanyakan pada diri Anda pertanyaan-pertanyaan berikut: Proses apa saja yang menjadi kunci bisnis Anda? Bisakah salah satu di antaranya dioptimalkan (lebih lanjut)? Pindai melalui operasi, BD, pemasaran, pengembangan produk, dll. Berapa banyak waktu/uang yang Anda hemat dari mengoptimalkan satu alur kerja dibandingkan alur kerja lainnya? Menurut Anda, berapa lama waktu yang dibutuhkan untuk memasukkan alur kerja otomatis? Bagaimana Anda berencana melatih orang untuk menjaganya? Di bagian mana dalam proses tersebut, Anda membutuhkan peran manusia?
Berikan tim dan pengguna Anda kekuatan super
Tanyakan pada diri Anda pertanyaan-pertanyaan berikut: Adakah fitur internal yang bisa Anda kembangkan untuk membuat karyawan, pengguna, dan/atau individu lain dalam rantai nilai Anda lebih efisien? Bisakah Anda menstandarkan waktu luang karyawan mis. dengan membangun fitur kolaborasi, atau template dan proses terstandardisasi untuk menstandarkan pengiriman layanan? Bisakah Anda memanfaatkan keahlian karyawan atau pemangku kepentingan lain dalam “pemberian label” set data, yang pada akhirnya akan menghasilkan penawaran produk yang lebih baik.
Hadirkan fitur atau produk yang didukung ML ke pasar
Tanyakan pada diri Anda pertanyaan-pertanyaan berikut: Set data apa yang Anda kumpulkan melalui produk/layanan saat ini? Data tentang perilaku pengguna, layanan pelanggan, dll.? Bagaimana Anda bisa memanfaatkan data ini untuk mengembangkan penawaran yang lebih baik atau lebih disesuaikan? Bisakah Anda benar-benar membangun produk yang sepenuhnya baru berdasarkan data ini? Bagaimana jika Anda mempertimbangkan kasus penggunaan/industri dari prinsip pertama, bisakah Anda mengembangkan produk yang sepenuhnya baru berdasarkan campuran dari sumber data baru dan yang sudah ada?Di sini untuk membantu
Langkah 1: Jelaskan masalah Anda dalam Bahasa Inggris yang jelas
Tulis apa yang Anda inginkan untuk dikerjakan model machine learning. Tulis sejelas-jelasnya: “Kami ingin model machine learning untuk ____”. Contohnya, “Kami ingin model machine learning untuk memprediksi seberapa populer video tertentu yang baru saja diupload di masa mendatang.” Pada titik ini, pernyataan tersebut bisa bersifat kualitatif, tetapi pastikan ini menangkap tujuan Anda yang sebenarnya, bukan tujuan yang tidak langsung.
Langkah 2: Identifikasi hasil ideal menurut Anda
Model ML Anda ditujukan untuk menghasilkan beberapa hasil yang diinginkan. Apa hasilnya, tidak bergantung pada model itu sendiri? Perhatikan bahwa hasilnya mungkin sangat berbeda dari cara Anda menilai model dan kualitasnya (kami akan membahas metrik di bagian berikutnya). Tuliskan: “Hasil ideal kami adalah:____”. Mengikuti contoh yang dimulai di atas, hasil ideal Anda mungkin hanya melakukan transcode video populer untuk meminimalkan penggunaan sumber daya penayangan, dan untuk merekomendasikan video yang menurut orang bermanfaat, menghibur, dan mereka sukai.
Langkah 3: Tentukan metrik kesuksesan Anda
Tulis metrik kesuksesan dan kegagalan dengan sistem ML. Metrik kegagalan itu penting (mis., Bagaimana Anda tahu kalau sistem ML gagal?). Ingatlah bahwa metrik kesuksesan dan kegagalan harus diungkapkan secara terpisah dari metrik evaluasi untuk model (mis., Jangan berbicara tentang ketepatan, mengingat, atau AUC; sebaliknya, bicarakan tentang hasil yang diharapkan). Sering kali metrik ini akan dikaitkan dengan hasil ideal yang Anda tetapkan di atas. Tulis tanggapan untuk pernyataan ini: “Metrik kesuksesan kami adalah: ____”, “Hasil kunci (KR) kami untuk metrik kesuksesan adalah: ____”, dan “Model ML kami dianggap gagal jika: ____”.Catatan tentang Tinjauan Desain program lain , kami mendesak Anda untuk mendapatkan masukan tentang jawaban Anda melalui panduan langkah demi langkah ini.
** Tinjauan Desain: Tujuan Sistem ML **
Seperti yang dijelaskan di atas, saya sekarang mengundang Anda untuk berpasangan dengan kolega atau tim, dan meninjau respons satu sama lain terhadap langkah-langkah di atas (1–3) sambil menanyakan diri Anda pertanyaan berikut:Kejelasan Deskripsi Masalah: Apakah Anda memahami tujuan model?Kegagalan dan Kesuksesan : Sebagai orang luar, apakah Anda bisa menilai kesuksesan atau kegagalan sistem ML berdasarkan metrik dan tujuan yang ditetapkan? Sertakan contoh di mana Anda menilai kegagalan sistem.
Langkah 4: Tentukan output ideal Anda
Tulis output yang Anda ingin dihasilkan model ML. Sekali lagi, tulis (dalam bahasa Inggris): “Output dari model ML kami adalah: ____”, dan “Ini ditetapkan sebagai: ____”. Misalnya, output dari model ML Anda menjadi salah satu dari 3 kelas video {sangat populer, agak populer, tidak populer}. Ini akan ditetapkan sebagai {3, 7, 90}-persentil teratas dari waktu tonton 28 hari setelah diupload.bisa diukur dengan definisi yang dapat dihasilkan mesin. Misalnya, “pengguna menikmati membaca artikel” akan menghasilkan hasil yang jauh lebih buruk daripada “pengguna akan berbagi artikel”. Tanyakan pada diri Anda apakah Anda bisa mendapatkan contoh output untuk digunakan bagi data pelatihan. Bagaimana dan dari sumber apa Anda akan mendapatkannya? Contoh output Anda mungkin perlu direkayasa, seperti dalam contoh di atas, yang akan mengubah waktu menonton video menjadi persentil.
Langkah 5: Gunakan output
Pikirkan kapan output harus diperoleh dari model ML, dan bagaimana ia digunakan dalam produk Anda. Tuliskan: “Output dari model ML akan dibuat: ____”, dan “Hasilnya akan digunakan untuk: ____”.
Langkah 6: Identifikasi heuristik Anda
Sebelum kita melangkah lebih jauh, mari kita berhenti sejenak dan berpikir tentang bagaimana Anda akan menyelesaikan masalah jika Anda tidak menggunakan ML (mis., heuristik apa yang mungkin Anda gunakan). Tuliskan: “Jika tidak menggunakan ML, kami akan: ____”. Misalnya Jika Anda tidak menggunakan ML, Anda akan menganggap video baru yang diupload oleh kreator yang pernah mengupload video populer di masa lalu akan menjadi populer kembali. Di sini, pikirkan tentang skenario ketika Anda harus mengirimkan produk besok, dan Anda hanya bisa membuat hardcode logika bisnis. Apa yang akan Anda lakukan? Tuliskan.
** Tinjauan Desain: Output **
Bergabunglah dengan tim, dan tinjau respons masing-masing anggota terhadap langkah-langkah di atas (4–6) sesuai dengan kriteria berikut:Output Model : Akankah model ML menghasilkan output yang bermanfaat dan berguna?Heuristik : Adakah set heuristik yang masuk akal yang bisa digunakan untuk menguji konsep awal tanpa menggunakan ML? Bagaimana ia bisa ditingkatkan? Heuristik tambahan apa yang bisa Anda usulkan?
Langkah 7: Rumuskan masalah Anda sebagai masalah ML
Sebelum kita mulai mencari tahu apa tipe ML yang harus Anda terapkan untuk menyelesaikan masalah, berikut adalah rekap cepat dari empat cara utama yang bisa diterapkan oleh ML secara efektif hari ini: 1) Klasifikasi (manakah label n?), 2) regresi (prediksi nilai numerik), 3) klustering (yang paling mirip contoh lainnya), 4) generasi (output kompleks). Rujuk ke materi MLCC jika Anda tidak jelas tentang kelas model yang berbeda.
Langkah 8: Tetapkan masalah Anda sebagai masalah “sederhana”
Ketika pertama kali memulai, rumusan masalah yang lebih sederhana, lebih mudah untuk dipertimbangkan dan diimplementasikan. Saya sarankan untuk mengambil masalah Anda dan menyatakannya sebagai klasifikasi biner atau masalah regresi unidimensional (atau keduanya). Sebagai contoh: “Kami akan memprediksi apakah video yang diupload kemungkinan besar akan menjadi sangat populer (klasifikasi biner)”, atau “Kami akan memprediksi seberapa populer video yang diupload berdasarkan jumlah penayangan yang akan diterimanya dalam jendela 28 hari (regresi).”
** Tinjauan Desain: Pemodelan **
Bergabunglah dengan tim, dan tinjau respons masing-masing anggota terhadap langkah-langkah di atas (7–8) sesuai dengan kriteria berikut:Pendekatan Keseluruhan : Apakah model yang diajukan terlihat akan menyelesaikan masalah yang disebutkan? Mengapa atau mengapa tidak?Desain Pertama : Apakah model yang disederhanakan sudah cukup disederhanakan dan dikurangi? Jelaskan bagaimana desain dapat lebih disederhanakan.
Langkah 9: Desain data Anda untuk model
Tulis data yang Anda inginkan agar dibuat prediksi oleh model ML, dalam tabel berikut:
Langkah 10: Cari tahu dari mana data Anda berasal
Mari kita tulis dari mana masing-masing input berasal, dan mari kita nilai seberapa banyak upaya guna mengembangkan pipeline data untuk membangun setiap kolom untuk satu baris. Periksa sumber daya untuk membantu Anda mempertimbangkan data apa yang akan dimasukkan ke dalam model Anda , dan bagaimana menyiapkan tim anotasi data setelah Anda mengumpulkan data.
Langkah 11: Fokus pada input yang mudah didapat
Di antara input yang Anda daftarkan pada Langkah 9, pilih 1–3 input yang mudah didapat, dan yang Anda yakini akan menghasilkan hasil awal yang masuk akal.
** Tinjauan Desain: Data **
Bergabunglah dengan tim, dan tinjau respons masing-masing anggota terhadap langkah-langkah di atas (9–11) sesuai dengan kriteria berikut.Input yang Mudah : Apakah set “fitur input mudah” cukup disederhanakan dan mudah diperoleh? Bisakah input ini disederhanakan lebih jauh lagi?Label : Apakah Anda dapat memperoleh contoh output (label) untuk tujuan pelatihan?Bias : Set data apa pun akan bias dalam beberapa cara. Bias ini dapat memengaruhi pelatihan dan prediksi yang dibuat. Misalnya, penyematan kata yang dilatih dari sumber data tertentu mungkin memiliki bias yang tidak cocok digunakan dalam konteks lainnya. Atau set pelatihan mungkin tidak mewakili pengguna akhir model. Sebutkan beberapa sumber bias potensial dalam set data yang akan digunakan (dan cari sumber daya luar biasa yang seharusnya dieksternalisasi oleh tim Google ML Fairness untuk I/O pada Mei 2019).Kompleksitas dan Risiko Implementasi : Sebutkan aspek-aspek desain yang mungkin sulit diterapkan, berisiko, atau terlalu rumit atau tidak diperlukan.Kemampuan untuk Belajar : Apakah model ML dapat belajar? Buat daftar skenario di mana sistem mungkin mengalami kesulitan belajar. Misalnya, tidak mencukupinya contoh positif, data pelatihan mungkin terlalu kecil, label terlalu gaduh, sistem mungkin mengalami kesulitan generalisasi kasus baru, dll.
Langkah 12: Tetapkan sistem ML end-to-end Anda sendiri
https://www.tensorflow.org/programmers_guide/
Langkah 13: Langkah Berikutnya
Setelah mengisi worksheet ini dan mendapatkan masukan desain, implementasi pertama Anda harus didasarkan pada model yang disederhanakan (baik klasifikasi biner maupun regresi) menggunakan beberapa (1–3) input yang mudah didapatkan. Setelah pengaturan dasar ini berfungsi, Anda bisa mengulangi desain ini untuk semakin mendekatkannya ke tujuan final. Saat Anda siap untuk “melakukannya sendiri,” periksa sumber ini. Semoga berhasil! Beri tahu kami bagaimana kelanjutannya.Malika Cantor adalah Global Lead di Google Developers Launchpad dan editor blog The Launchpad. Dia sebelumnya adalah mitra pendiri di Comet Labs , sebuah lab riset eksperimental dan firma VC yang berfokus untuk mendukung startup Machine Learning terapan tahap awal. Silakan beri pertanyaan/komentar di bagian komentar dan/atau tweet ! Przemek Victor Pardel , Oleksandr Zakharchuk , Paweł Nowak , dll. yang menyelenggarakan event Machine Learning Kickstarter di Warsawa dan membuat worksheet Framing Masalah ML (yang banyak dibahas dalam postingan ini). Terima kasih kepada tim Google EngEdu karena secara resmi mengeksternalisasi masalah framing konten akhir tahun lalu. TERIMA KASIH kepada Thomas J. White IV dan Brett Kamita untuk editing dan proofreading yang berkelas, Jeremy Neuner untuk gambar dan leluconnya, Joshua Yellin , Nishu Lahoti dan Richard Hyndman untuk penyempurnaannya, Maya Grossman dan Jennifer Harvey untuk pemasaran, Peter Norvig dan Cassie Kozyrkov karena sudah menjadi mitra saya dalam kejahatan. Roy Geva Glasberg karena sudah membiarkan kami meluncurkan hal ini :)
Jadi kesimpulannya bagaimana? Apakah machine learning bisa digunakan atau tidak?
ReplyDeletedaftar 88tangkas
bola deposit pulsa
daftar akun casino
deposit slot pakai pulsa telkomsel
bola tangkas88
aplikasi slot joker123
joker123 deposit pulsa
aplikasi joker
slot deposit pulsa tanpa potongan
Kimi Catering Jogja
ReplyDeleteRinaresep
Dapurresep
Resep Masak
Your blogs are really good and interesting. It is very great and informative. sebuah lab riset eksperimental dan firma VC yang berfokus untuk mendukung startup Machine Learning terapan tahap awal Sex Crime Lawyer. Silakan beri pertanyaan/komentar di bagian komentar, I got a lots of useful information in your blog. Keeps sharing more useful blogs..
ReplyDelete