6 Tipps für die Leitung eines Projekts zum maschinellen Lernen

Maschinelles Lernen und Deep Learning sind nicht mehr nur Hype und Schlagworte. Die einstige Pioniertechnologie hat sich zu einer entscheidenden Komponente des Technologie-Stacks von Unternehmen und Start-ups entwickelt; dies hat die Softwareentwicklung verändert. Da maschinelles Lernen (ML) mit Entscheidungsprozessen in Unternehmen verflochten ist, möchten wir deutlich machen, dass der ML-Technologie-Stack ein Prozess und nicht nur ein statisches Stück Software ist.

Lösungen für maschinelles Lernen hängen von der Verfügbarkeit und der Menge der richtigen Daten ab, was die Art und Weise verändert, wie wir über den Aufbau, die Wartung und die Verbesserung der Infrastruktur denken. Der Aufbau von Machine-Learning-Lösungen ist aufgrund dieser Faktoren nicht einfach. Datenwissenschaftler, Softwareentwickler und DevOps-Ingenieure müssen in mehreren Bereichen zusammenarbeiten, um eine nützliche Lösung zu entwickeln. In diesem Artikel werden 6 Best Practices vorgestellt, die jedes Unternehmen, das ein Machine-Learning-Projekt leitet, befolgen sollte.

1. Ziele definieren und Projektanforderungen spezifizieren

Ein konkretes Ziel zu definieren ist nicht so einfach, wie es klingt. Es gibt eine Vielzahl von Ansätzen zur Lösung eines Problems, und es ist nicht immer klar, welcher davon der beste ist. Es kann verlockend sein, weniger Zeit mit der klaren Definition von Zielen zu verbringen, aber schlecht definierte Ziele führen dazu, dass Projekte entgleisen, da das Team, das die Lösung erstellt, nicht weiß, was es priorisieren soll, und sich möglicherweise im Testen verschiedener Modelle verliert, was die Projektdynamik, die Wahrscheinlichkeit des Projektstarts und die Kapitalrendite (ROI) durch endlose Entwicklung zerstört.

Klar definierte Ziele und Prioritäten sind für die Verwaltung der Ziele des maschinellen Lernens in Ihrem Unternehmen unerlässlich. Häufig wird der Zeitplan aufgrund eines ständig wachsenden Umfangs und fehlender Bewertungskriterien überzogen. Beides kann dazu führen, dass Sie sich nicht mehr auf die Lösungen konzentrieren, die einen ROI haben und die Ziele Ihres Unternehmens erfüllen. Von Beginn des Projekts an sollten alle Beteiligten auf dasselbe Ziel hinarbeiten.

2. Erstellen Sie eine Checkliste, bevor Sie Ihr ML-Projekt beginnen

Sie sollten eine solide Vorstellung davon haben, wie Ihr Fortschritt aussehen wird, noch bevor Sie die erste Zeile Code schreiben. Denken Sie über die folgenden Fragen nach, bevor Sie Ihr ML-Projekt beginnen:

Was will Ihr ML-Projekt erreichen?
Haben Sie die richtigen Daten?
Wie wird die Leistung des Modells bewertet?
Muss das Modell leichtgewichtig sein und auf dem Rechner eines Benutzers oder auf dem Server des Unternehmens laufen?
Kann das Modell die Daten im Voraus verarbeiten oder benötigen Sie ein leichtgewichtiges Modell, das in Echtzeit ausgeführt werden kann?
Ist die notwendige Infrastruktur vorhanden?
Ist die zusätzliche Leistung größerer Modelle und mehr GPUs tatsächlich wichtig für den Anwendungsfall oder lohnt sich der ROI?
Was sind die Voraussetzungen für den Einsatz?
Ist Erklärbarkeit notwendig?

3. Planen und Definieren des iterativen Prozesses

Auch wenn das erste Modell in der Produktion eingesetzt wird, ist Ihre Arbeit noch nicht abgeschlossen. Der Schlüssel zur erfolgreichen Implementierung von maschinellem Lernen liegt darin, klein anzufangen, ein MVP mit den vorhandenen Daten zum Laufen zu bringen und die Lösung einem Benchmarking zu unterziehen, um zu sehen, ob die Genauigkeit des Modells mit der menschlichen Leistung vergleichbar ist oder sein kann. Danach kann man beurteilen, ob sich weitere Iterationen lohnen, indem man in mehr und bessere Daten investiert und möglicherweise Randfälle, für die es nicht genügend Daten gibt, mit Nicht-ML-Techniken löst.

Wiederholen Sie das Verfahren für jede neue Lösung und nehmen Sie vor der nächsten Iteration Änderungen vor. Die Unternehmensziele ändern sich fast immer. Die zugrunde liegende Technologie, Forschung, Methoden und Hardware für rechenintensive Lösungen entwickeln sich weiter. All dies kann dazu führen, dass Sie Ihr Modell feinabstimmen oder optimieren müssen, um es an veränderte Bedingungen in der Welt oder der Branche, in der Sie tätig sind, an die Daten, mit denen Sie arbeiten, an neue Fähigkeiten oder an ganz neue Systeme anzupassen.

4. Sammeln Sie historische Daten aus bestehenden Systemen

Manchmal sind die Anforderungen nicht sehr offensichtlich, was es schwierig macht, das richtige Ziel sofort zu erkennen. Bei der Integration von maschinellem Lernen in Altsysteme ist dies häufig der Fall. Sammeln Sie so viele Informationen über das aktuelle System wie möglich, bevor Sie sich mit den Besonderheiten Ihrer Anwendung und der Funktion des maschinellen Lernens befassen.

Auf diese Weise können Sie die gestellte Aufgabe mit Hilfe historischer Daten bewältigen. Außerdem können diese Daten sofort auf Bereiche hinweisen, die optimiert werden müssen, und die optimale Vorgehensweise vorgeben.

5. Sicherstellung des Zugangs zu den erforderlichen Daten

Nachdem Sie das Thema verstanden haben, benötigen Sie einschlägige Informationen. Es lohnt sich, diese zu sichten, denn die meisten Datenquellen sind kostenlos auf Websites wie Kaggle und UCI-Datensätze. Wenn Sie ein spezielles Problem haben, müssen Sie möglicherweise Ihre eigenen Daten sammeln, organisieren und speichern. Internet-Scraping und die manuelle Kategorisierung der gesammelten Daten sind zwei häufige Optionen. Wenn Sie die richtige Qualität und ausreichende Menge der benötigten Daten erhalten, können Sie nützliche ML-Lösungen entwickeln, die nach den ersten Tests eher in die Produktion gelangen.

6. Evaluierung und Beschaffung des richtigen technischen Stapels

Die ausgewählten ML-Modelle sollten nach der Auswahl manuell ausgeführt werden, um ihre Genauigkeit zu überprüfen. Im Falle von personalisiertem E-Mail-Marketing sollten Sie beispielsweise Ihre Strategie anpassen und mehr Variablen testen, wenn die versendeten Werbe-E-Mails nicht mehr als Ihre Basis-Conversion-Rate generieren.

Es ist notwendig, die beste Technologie nach erfolgreichen manuellen Tests auszuwählen. Data-Science-Teams sollten die Möglichkeit haben, aus verschiedenen Technologiepaketen zu wählen, um Experimente zu ermöglichen und das Technologiepaket auszuwählen, das ML einfacher macht. Benchmarking sollte für Geschwindigkeit, Stabilität, ROI, Fähigkeit zur Lösung von Mitarbeiter-/Kundenproblemen, künftige Anwendungsfälle und Leistung auf dem Gerät oder in der Cloud durchgeführt werden.

Wie kann Skim AI helfen?

Modelle des maschinellen Lernens und des Deep Learning erfordern umfangreiches Fachwissen, Zugang zu qualitativ hochwertigen gekennzeichneten Daten und Rechenressourcen für das kontinuierliche Training und die Verbesserung von Modellen. Die Verbesserung von Modellen des maschinellen Lernens ist eine Fähigkeit, die sich aus der methodischen Auseinandersetzung mit den Unzulänglichkeiten der bestehenden Modelle unter den gegebenen Bedingungen entwickelt. Skim AI bietet hilfreiche Lösungen für Menschen auf allen Ebenen, von Studenten bis hin zu CEOs, die Sie dabei unterstützen, das Rauschen zu durchbrechen, bessere Erkenntnisse zu gewinnen und bessere Entscheidungen auf der Grundlage von Daten zu treffen, die zählen.