Ոչ բոլոր խնդիրները պետք է լուծվեն մոդելներով

Թեև կարող է հաճելի լինել ասել, որ դուք ունեք մեքենայական ուսուցման ալգորիթմներ, որոնք կատարում են ինչ-որ առաջադրանք, դրանք հարմար չեն ցանկացած տեսակի խնդրի համար և շատ դեպքերում չպետք է ձեր առաջին տարբերակը լինեն:

Մեքենայական ուսուցման նախագծերը բարդ են, ժամանակատար, թանկ և սովորաբար դժվար է պահպանել: Մտածեք մեքենայական ուսուցման նախաձեռնությունը որպես նախագիծ, որը պահանջում է այն ամենը, ինչ անհրաժեշտ է սովորական ծրագրային ինժեներական նախագծին և ավելին: Այն կարիք ունի միավորի փորձարկման և ծրագրային ապահովման մշակման, բայց նաև խողովակաշարերի, մոնիտորինգի, վերապատրաստման (քանի որ մոդելի արդյունավետությունը հավանաբար ժամանակի ընթացքում կփչանա) և շատ ավելին: Հետևաբար, թեև կան որոշ խնդիրներ, որտեղ դուք կարող եք օգտագործել մեքենայական ուսուցում, դա չի նշանակում, որ դուք պետք է Օգտագործիր դա.

Կան դեպքեր, երբ պարզ SQL հարցումը, էվրիստիկա կամ IF հայտարարությունը բավական է խնդիրը լուծելու համար, կամ գոնե լավ MVP է խնդիրը և լուծումը վավերացնելու համար: Ավելի լավ է սկսել պարզայնուհետև տեսնել, թե իսկապես պետք է բարելավել կատարողականը` դրան ավելի բարդություն ավելացնելով, թե ոչ:

Նախքան մեքենայական ուսուցման մեջ անցնելը, հարցրեք ինքներդ ձեզ.

  • Արդյո՞ք մեքենայական ուսուցումը լավագույն մոտեցումն է

Եթե ​​ցանկանում եք միայն պատկերացումներ ունենալ միտումների և օրինաչափությունների մասին, ապա վերլուծությունը բավական լավ է: Մեքենայի ուսուցումը հիմնականում օգտագործվում է կանխատեսումներ կամ եզրակացություններ անելու համար:

  • Չե՞մ կարող կոդավորել կանոնների վրա հիմնված լուծում, որն արդեն ինձ լավ արդյունքներ կտա:

Մեքենայական ուսուցումը, հավանաբար, կլինի լավագույն մոտեցումը, երբ դուք ունեք մարդկային առաջադրանք, որը կախված է չափազանց շատ գործոններից, քանի որ դժվար կլինի կանոնների վրա հիմնված լավ լուծում ստանալ առանց կանոնների համընկնման, ինչպես նաև դժվար կլինի կոդավորել և պահպանել:

  • Արդյո՞ք պետք է չափել

Երբ դուք կարող եք լուծել այս խնդիրը այլ կերպ, բայց այն չի ծավալվի այնպես, ինչպես դուք պետք է, այլապես ստիպված կլինեք վարձել շատ մարդկանց՝ աշխատանքն ավարտելու համար, ապա մեքենայական ուսուցման լուծումները կարող են լինել լավագույն մոտեցումը: Օրինակ, դուք կարող եք օգտագործել մարդկանց՝ պատկերների վրա կատուներին և շներին նույնականացնելու համար, բայց ոչ մեծ մասշտաբով և անհրաժեշտ արագությամբ:

  • Կարո՞ղ եմ սպասել մոդելի մշակմանը:

Ինչպես նշվեց վերևում, արտադրության համար բավական լավ մոդել մշակելու համար ժամանակ է պահանջվում, այն ներառում է տվյալների վեճ, հետազոտական ​​տվյալների վերլուծություն, մոդելի մշակում, մոդելի գնահատում, մոդելի արտադրություն, սա պարզ խնդիր չէ:

  • Ինչպե՞ս է գնահատվելու մոդելը:

Ես ունե՞մ ելակետ կամ չափիչ՝ իմանալու համար, թե արդյոք մշակված մոդելը բավարար է արտադրության համար:

  • Արդյո՞ք մոդելի մշակումը հնարավոր է

Ես ունե՞մ պատմական տվյալներ, որոնք կարող են բացատրել լուծվելիք խնդիրը:

  • Կարո՞ղ եմ մոդելը ներդնել արտադրանքի մեջ, թե գործընթացում:

Եթե ​​դուք չեք կարող օգտագործել այն, ձեզ դա պետք չէ կամ գոնե դեռ պետք է որոշ տնային առաջադրանքներ անեք մինչև մոդելի մշակումը:

  • Արդյո՞ք դա արժեք կստեղծի բիզնեսի համար

Իդեալում դուք ունեք հիպոթեզ այն մասին, թե ինչ կարող է անել մոդելը բիզնեսի համար: Օրինակ, y գործընթացն այսօր տեւում է x ժամ, որպեսզի կատարվի, մոդելի ներդրմամբ մենք կարող ենք այն արագացնել 70%-ով, ինչը կնվազեցնի արտադրության արժեքը 50%-ով:

  • Ո՞րն է տվյալների տեսակը, որի հետ գործ ունեք:

Երբ գործ ունենք չկառուցված տվյալների հետ, ինչպիսիք են տեսանյութերը, պատկերները կամ աուդիոները, մեքենայական ուսուցումը, հավանաբար, կլինի լավագույն մոտեցումը: Շատ դժվար կլինի վերլուծել այս տեսակի տվյալներն առանց դրանք օգտագործելու, քանի որ մենք ունենք տարբեր բաների մեծ բազմազանություն: Օրինակ, պատկերների վրա մենք կարող ենք ունենալ տարբեր հագեցվածություն, կոնստրատ, գույներ, անկյուններ և ավելի շատ փոփոխականներ, որոնք կարող են ազդել վերլուծության վրա: Մեքենայի ուսուցումը կարող է լավ ընդհանրացնել այս տեսակի տվյալներին, եթե ճիշտ վերապատրաստվեն: Բացի այդ, կան ժամանակակից նախապես պատրաստված մոդելներ, որոնք կարող են արագացնել ձեր մոդելի կառուցման գործընթացը և ստանալ հիանալի արդյունքներ:

Վերոնշյալ հարցերին պատասխանելը կօգնի հասկանալ, արդյոք դուք պետք է օգտագործեք մեքենայական ուսուցում, թե՞ փորձեք այլ մոտեցում: Ավելին, այն կօգնի ձեզ որոշել, թե արդյոք ձեր գաղափարը կամ նախագիծն արդեն բավականաչափ հասուն է, որպեսզի կարողանաք աշխատել:

Հուսով եմ, որ ձեզ դուր է եկել այս հոդվածը կարդալը, և ես կարող եմ ձեզ համոզել յուրաքանչյուր խնդրի նկատմամբ լավագույն մոտեցումը կիրառելու կարևորության մեջ: Եթե ​​ձեզ դուր եկավ, հետևեք ինձ՝ մեքենայական ուսուցման վերաբերյալ լրացուցիչ խորհուրդների և բովանդակության համար: