機械学習プロジェクトをリードするための6つのヒント

機械学習とディープラーニングは、もはや単なる誇大広告やバズワードではない。かつてのフロンティア・テクノロジーは、企業や新興企業のテクノロジー・スタックの重要な構成要素へと進化し、ソフトウェア開発を一変させた。機械学習(ML)は企業における意思決定プロセスと絡み合っているため、MLテクノロジー・スタックはプロセスであり、単なる静的なソフトウェアではないことを区別したい。

機械学習ソリューションは、適切なデータの可用性と量によって推進されるため、インフラの構築、維持、改善に関する考え方が変わります。これらの要因により、機械学習ソリューションの構築は単純ではない。データサイエンティスト、ソフトウェア開発者、DevOpsエンジニアは、有用なソリューションを生み出すために、いくつかの分野で協力しなければならない。この記事では、Machine-Learningプロジェクトを率いるすべての組織が従うべき6つのベストプラクティスの概要を説明する。

1.目標の定義とプロジェクト要件の特定

具体的な目標や目的を定めるのは、口で言うほど簡単なことではない。問題解決にはさまざまなアプローチがあり、どれがベストかは必ずしも明確ではない。目標を明確に定義することにあまり時間をかけたくないという気持ちもあるだろうが、目標の定義が不十分だと、ソリューションを構築するチームは何を優先すべきかわからず、様々なモデルで何が達成できるかをテストすることに没頭し、プロジェクトの勢い、プロジェクト立ち上げの可能性、終わりのない開発による投資収益率(ROI)を破壊してしまうかもしれない。

目標と優先順位を明確に定義することは、企業の機械学習目標を管理する上で不可欠です。スコープが拡大し続け、評価基準が欠如しているため、スケジュールをオーバーシュートしてしまうことはよくあることである。プロジェクトの最初から、全員が同じ目的に向かって取り組むべきである。

2.MLプロジェクトを始める前にチェックリストを作ろう

最初の1行を書く前に、進捗がどのように表示されるか、しっかりとしたコンセプトを持つべきです。MLプロジェクトを始める前に、以下の質問について考えてみてください:

あなたのMLプロジェクトは何を達成したいのですか?
正しいデータを持っているか?
モデルの性能はどのように評価されるのか?
モデルは軽量で、ユーザーのマシンや会社のサーバーで実行する必要があるのか?
モデルは事前にデータを処理できるのか、それともリアルタイムで実行できる軽量なモデルが必要なのか。
必要なインフラは整っているか?
より大きなモデルとより多くのGPUの追加性能は、ユースケースにとって実際に重要なのか、ROIに見合うものなのか?
配備に必要な条件は?
説明可能性は必要か?

3.反復プロセスの計画と定義

初期モデルが本番で使用されているとしても、あなたの仕事はまだ完了していない。機械学習の実装を成功させる鍵は、小さく始めて、手持ちのデータでMVPを立ち上げ、ソリューションのベンチマークを行い、モデルの精度が人間レベルのパフォーマンスと比較できるかどうかを確認することである。それができたら、さらなる反復にROIがあるかどうかを評価し、より多くの、より良いデータを得るために投資し、ML以外の手法で十分なデータがないエッジケースを解決する可能性がある。

常に新しいソリューションごとに手順を繰り返し、次の反復の前に変更を加える。ビジネス目標は常に変化する。基礎となる技術、研究、手法、そして計算集約的なソリューションを動かすハードウェアが進化するにつれて。その結果、世界や業界、扱うデータ、新しい機能、まったく新しいシステムなどの状況の変化に適応するために、モデルの微調整や最適化が必要になることがあります。

4.既存のシステムから過去のデータを収集する

要件があまり明白でないために、正しい目標をすぐに特定することが難しい場合がある。レガシー・システムに機械学習を統合する場合、これはよくあるケースだ。アプリケーションが何を実行するのか、機械学習が果たす機能の具体的な説明に入る前に、現在のシステムからできるだけ多くの情報を集めよう。

このようにして、過去のデータを使って目の前のタスクを達成することができる。さらに、このデータは最適化が必要な領域や最適な行動方針を即座に指摘してくれるかもしれない。

5.必要なデータへのアクセスを確保する

問題を把握した後は、適切な情報が必要となる。ほとんどのデータソースは、以下のようなウェブサイトで無料でアクセスできるので、目を通す価値はある。 カグル そして UCIデータセット.もしあなたの問題が明確であれば、自分でデータを収集、整理、保管する必要があるかもしれない。インターネットのスクレイピングや、収集したデータを手作業で分類することは、よくある2つの選択肢だ。必要なデータの適切な質と十分な量を得ることは、多くの場合、有用なMLソリューションを作成することを可能にする。

6.適切な技術スタックの評価と入手

選択されたMLモデルは、選択後に精度をチェックするために手動で実行されるべきである。例えば、パーソナライズされたEメールマーケティングの場合、送信されたプロモーションメールがベースライン以上のコンバージョン率を生み出さない場合、戦略を適応させ、より多くの変数をテストする必要がある。

手動テストを成功させた後に、最適なテクノロジーを選択することが必要である。データ・サイエンス・チームは、様々なテクノロジー・スタックから自由に選択できるようにして、実験とMLをよりシンプルにするテクノロジー・スタックの選択を可能にすべきである。スピード、安定性、ROI、従業員や顧客の問題を解決する能力、将来のユースケース、デバイスやクラウドのパフォーマンスについてベンチマークを行うべきである。

スキムAIはどのように役立つのか?

機械学習とディープラーニングのモデルは、継続的なモデルの訓練と改善のために、広範なドメイン知識、高品質のラベル付きデータへのアクセス、および計算リソースを必要とする。機械学習モデルの改善は、与えられた制約条件のもとで、既存のモデルの欠点に体系的に対処することから発展するスキルです。Skim AIは、学生からCEOまで、あらゆるレベルの人々に役立つソリューションを提供し、ノイズを遮断し、より良い洞察を見極め、重要なデータに基づいてより良い意思決定を行うことを支援します。

ja日本語