درس‌های دنیای واقعی برای یادگیری ماشینی در تجارت

منتشر‌شده در: towardsdatascienceبه تاریخ ۹ ژوئن ۲۰۲۱
لینک منبع Real-World Lessons for Machine Learning in Business

به نظر می‌رسد که یادگیری ماشینی این روزها همه علاقه و اشتیاق را به خود جلب کرده‌است و برخی حتی می‌گویند که این جریان اصلی است. حتی کنفرانس‌های اختصاصی و اجلاس‌هایی برایML مانند اجلاس فراگیری ماشینی ۲۰۲۱ AWS وجود دارد. برای اینکه ML به جریان اصلی برود، از دیدگاه من، هنوز هم درس‌های دنیای واقعی وجود دارد که ما باید ML را به تولید برای کسب‌وکار ترجمه کنیم، و من امیدوار بودم که از این نشست چند نکته مهم بگیرم. من در اینجا بخش‌هایی را لیست کردم که بیش‌ترین تاثیر را بر من گذاشتند. امیدوارم این موارد مفید را زمانی که در حال برنامه‌ریزی برای اعمال ML هستید، پیدا کنید:

• پیتزا با مقدار مناسب پنیر با Swami Sivasubramanian
• گفتگوی طنز محاسباتی با Yoelle Maarek
• دست به دست هم بدهید و با Andrew Ng گپ بزنید.

با توجه به این که بحث توسط AWS سازمان دهی شده‌است، نشست به سمت استفاده از خدماتML خود تمایل دارد، اما اقدامات در اینجا همچنین می‌تواند به دیگر پلت فرم‌های محاسبات ابری مانند GCP که خدمات ML خود را ارائه می‌دهند اعمال شود.

پیتزا با مقدار مناسب پنیر

یک نشانه احتمالی کهML به سمت جریان اصلی می‌رود استفاده از آن در همه انواع کسب و کارها از جمله کسب‌وکار پیتزا است. سوامی سیوواسوبرامانیان Dafgard را به عنوان مثالی از کسب و کاری ارائه کرد که می‌تواند ML را حتی با یک مجموعه داده آموزشی محدود اعمال کند. آن‌ها می‌خواستند از ML برای بهبود کیفیت و بازده قرار دادن مقدار درست پنیر در هر خمیر پیتزا استفاده کنند. بله، چه راه خوبی برای شروع با چیزهایی که دوست دارم: یادگیری ماشینی و پیتزا.

آن‌ها از بازرسی کیفیت بصری با چند عکس یادگیری استفاده کردند که فقط با چند مثال می تواند یک کار خاص را یاد بگیرد. من فکر می‌کنم این یک مورد استفاده مناسب برای یک برنامهML با یک مجموعه داده آموزشی محدود است. جمع‌آوری اطلاعات-به دست آوردن نوع و مقدار درست-معمولا یک نقطه ضعف در هنگام شروع پروژه‌های ML است. علاوه بر این، من در AWS Lookout for Vision کنجکاو شدم که از بازخورد مشتری همراه با این ایده یادگیری چند عکس گرفته شده‌بود.

همچنین سایر شرکت‌ها و مشاغل شما ذکر شده‌اند که احتمالاً از آن‌ها شنیده اید‌، مانندBMW و نیویورک تایمز، اما این ایده پیتزا در اطراف شما ماندگار است.

طنز محاسباتی

برای اینکهML جریان اصلی باشد و به کار خود ادامه دهد، همچنین اهمیت نگاه کردن به تجربیات کاربر وجود دارد. و برای یک چرخش جالب، AWS به طور جدی به فضای محاسباتی نگاه می‌کند که ساعت‌ها و ساعت‌ها را در این تحقیق سپری می‌کند. من رویکرد آن‌ها برای غرق کردن تیم ML در تیم محصول را دوست داشتم. در این مثال، گروه شوخ‌طبعی محاسباتی در کنار تیم خرید آمازون الکسا کار می‌کند.

در یافتن راه‌هایی برای شاد کردن مشتری، من نمی‌توانم به پیشرفت تازه با روسای آHDGF5 فکر کنم. داشتن مکالمه با اشیا بی‌جان مانند پلوتو و هواپیماهای کاغذی در برنامه LaMDA گوگل درGoogle IO!

حالا، با توجه به طنز محاسباتی، تیم فقط هوش مصنوعی را خنده‌دار نکرده بود، بلکه می‌خواست بداند که آیا مشتری خنده‌دار است و هوش مصنوعی چگونه باید واکنش نشان دهد. در این مورد، مشتری کسی است که ابتکار عمل را به دست گرفته‌است.

برای تشخیص و واکنش احتمالی، تیم حتی سعی کرد به ارجاعات فرهنگی، طعنه زدن، یا اگر مشتری در حال و هوای بازیگوشانه بودن است نگاه کند. من دوست دارم که این سخنرانی همچنین شامل ارجاعاتی به نظریه ابتکار مختلط، نظریه تسکین و چند مورد دیگر باشد.

برای مثال، برای محصول Nintendo سوئیچ گری جوی کان، یک مشتری با اشاره به برخی منابع فرهنگی پاسخ داد: آیا می‌توانم از این برای هک کردن در ماتریس و نجات بشریت استفاده کنم؟

یکی دیگر از مشتریان در جواب طعنه زدن به یک آب‌سردکن بسیار گران‌قیمت گفت: آیا این کار مرا به پرواز در خواهد آورد؟ به نظر می‌رسد به خاطر قیمتی است که حتما باید کار خاصی انجام دهد.

بله، وضعیتML فعلی در حال حاضر می‌تواند کارهای زیادی انجام دهد، اما هنوز هم چیزهای زیادی برای کشف و روش‌های جدید برای استفاده از آن وجود دارد.

دست به کار شوید

و سپس، گفتگوی آتشین آندرو نگ و سوامی سیواسوبرامانیان برگزار می شود. نکات جالب زیادی در کم‌تر از ۳۰ دقیقه صحبت کردن وجود داشت، اما نکته برجسته برای من در واقع چند دقیقه اول بود!

بخش اول، یادداشت‌هایی برای شرکت‌ها ارائه می‌داد، و به رهبران آن‌ها مانند مدیران عامل و مدیران عامل، که می‌خواهند یادگیری ماشینی خود را شروع کنند، اشاره می‌کرد. هنگامی که شما برای اولین بار به سمت ML می‌پرید، شما باید دست‌های خود را کثیف کنید.

برنامه‌ریزی و شروع بیش از حد طولانی به احتمال زیاد یک اشتباه است. برای پروژه اول، داده می‌تواند شلوغ باشد اما می‌تواند پر زحمت باشد، و کسب‌وکار باید قادر به شروع با پروژه‌های آزمایشی کوچک یا اثبات مفاهیم و داشتن یک پیروزی سریع باشد. برای رشد و مقیاس‌گذاری پروژه از آن‌ها بیاموزید.

و من ایده آزمایش یک پروژه آزمایشی را قبل از شکل‌گیری استراتژی بلند مدت برای یادگیری ماشینی دوست داشتم. یادگیری از POC به تولید یک استراتژی کمک می‌کند که بیشتر با اهداف شرکت و فرهنگ مردم همسو باشد.

من در مقاله قبلی در مورد تقویت کاربرد در مسائل تجاری اشاره کردم که بزرگ‌ترین مانع درRL در فرمول‌بندی مساله است و مراحل بعدی با آن مساله فرمول‌بندی شده شکل خواهد گرفت. بنابراین، باید در فرمول‌بندی مساله دقت شود. اما حتی با گفتن این جمله هم نباید از دست به کار شدن مردم و تلاش آن‌ها جلوگیری کرد. در دراز مدت، احتمالا می‌تواند یک پلت‌فرم ML وجود داشته باشد اما همیشه آن اولین POCs و پیروزی سریع است که بینش‌هایی را در مورد جهت سفر ML فراهم می‌کند.

و در حال حاضر، حتی برای نقش‌های غیر رهبری، هنگام شروع یک پروژه ML، برای یک برنامه کاملا جدید، ممکن است ایجاد معیارهای هدف برای بررسی این که آیا ML موفق بوده‌است یا نه تا زمانی که تیم ML یک اثبات مفهوم انجام داده‌است و یا پروژه‌های مرتبط در ادبیات برای کمک به تعریف یک عملکرد سطح پایه وجود دارد دشوار باشد. کلید کار در اینجا به احتمال زیاد یک سیستم نمونه اولیه سریع و کثیف است، تکرار می‌کند، و از آن تجربیات یاد می‌گیرد.

آخرین یادداشت‌ها

تعداد رو به افزایشی از شرکت‌ها ML را اتخاذ می‌کنند، اما این رشد به این زودی کند نمی‌شود. این ممکن است با شرکت‌های فن‌آوری آغاز شده باشد اما پروژه‌هایML در حال حاضر از طریق شرکت‌های دیگر از جمله آن شرکت‌های پیتزا نفوذ می‌کنند. بخش کلیدی و موضوع تکراری در اجلاس در ترجمه ML به تولید بوده‌است.

پرداختن به نقاط ضعف مانند داشتن مجموعه داده آموزشی بزرگ بسیار مهم است، بنابراین داشتن تکنیک‌هایی مانند یادگیری چند عکس یک تغییر خوشایند است. و برای موفقیت این پروژه‌هایML و نه فقط اغراق، تجربیات مشتری باید در اولویت قرار گیرد. سرمایه‌گذاری در تحقیق که تجارب مشتری را مورد خطاب قرار می‌دهد مانند آن‌هایی که دارای حافظه محاسباتی هستند نه تنها به یک پروژه جانبی بلکه به یک جنبه ضروری از یک محصولML تبدیل می‌شود. و این فقط برای دیدن دیدگاه‌های مختلف در جهان ML از زمانی به زمان دیگر تازگی دارد. در نظر گرفتن روش‌های کار مانند تعبیه تیم ML در محصول یا تیم توسعه ممکن است یک بخش کلیدی در موفقیت پروژه باشد.

انتقالML به تولید همچنین به معنی فراتر رفتن از تئوری، و به خصوص برای شرکت‌هایی است که سفرML خود را شروع می‌کنند، دست‌های خود را با پروژه‌های آزمایشی کوچک کثیف می‌کنند و داشتن آن برد سریع می‌تواند به ارائه برخی جهات در یک استراتژی طولانی‌تر برایML در شرکت کمک کند.

این متن با استفاده از ربات مترجم مقالات دیتاساینس ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.