Машинное обучение в дикой природе
Машинное обучение в дикой природе
В этом выпуске дневника событий InMobi мы рассказываем о нашем посещении известного Индийского института менеджмента в Бангалоре, где мы выступили перед 60 студентами сертификационной программы Big Data Analytics. Говоря о Машинном обучении в дикой природе, мероприятие предоставило прекрасную возможность пообщаться со студенческой группой, состоящей из опытных профессионалов, желающих перейти в область больших данных и аналитики, и обратиться к их проблемам и мыслям.
Компания InMobi была приглашена для участия в программе 2017–2018 годов, учитывая ее практический опыт применения технологий больших данных и машинного обучения в индустрии мобильной рекламы. InMobi применяет эти технологии уже несколько лет, и их актуальность только растет по мере развития отрасли и компании. Ави Патчава, вице-президент по машинному обучению и искусственному интеллекту в InMobi, выступил перед группой. Его представил доктор Шанкар Венкатагири — доцент Индийского института менеджмента в Бангалоре.
Ави возглавил обсуждение с 8 основными советами, которые следует учитывать при проектировании, создании и развертывании модели машинного обучения для решения бизнес-проблемы:
Совет № 1. Четко определите бизнес-проблему, которую вы хотите решить.
Используйте рабочий лист описания проблемы, чтобы согласовать определение проблемы, намерение решения, масштаб проблемы, гипотезы для руководства моделью, необходимые данные, поставленную на карту ценность и необходимые навыки команды.
Совет 2. Тщательно продумайте, чего должна достичь ваша модель.
Является ли ваша модель описательной, диагностической, прогнозирующей или предписывающей? Будьте осторожны, пытаясь сделать все с одной моделью. Спросите себя: чего на самом деле требует бизнес?
Совет № 3. Обеспечьте доступность функций в производственной среде. Наличие большого количества данных и функций часто является положительным признаком. Но вам необходимо убедиться, что все функции доступны в производственной среде во время использования — будь то исследование, обучение, оценка или развертывание.
Совет 4. Применяйте бритву Оккама при выборе алгоритмов.
Сосредоточьтесь на алгоритме, который выполнит эту работу; ответьте на проблему, которую вы намеревались решить. Вам не нужны самые гламурные алгоритмы, когда более скромный алгоритм может помочь.
Совет № 5. Помните о времени обучения в производственной среде.
Если вам нужно обучать модели несколько раз в день, а обучение модели занимает несколько часов (из-за ее сложности), то ваша модель не будет эффективной (независимо от сложности!).
Совет № 6. Думайте о науке о данных не только об исследованиях.
Вам необходимо поддерживать стремление к влиянию, учитывая, что необходимо, чтобы сделать ваш код готовым для производственной среды. Например, меньший размер файлов, регистрация и хранение ключевых переменных — это то, что необходимо для легкой оценки моделей.
Совет № 7. Укрепите модель поддерживающими элементами.
Для достижения долгосрочного воздействия модели на бизнес требуется нечто большее, чем превосходная точность. Для обеспечения воздействия модели необходимы многие другие элементы, будь то дизайн UI-UX, инфраструктура данных, обучение пользователей модели, дизайн бизнес-процесса или общее управление изменениями по мере того, как модель преобразует бизнес.
Совет № 8. Избавьтесь от жаргона в науках о данных.
Существует много жаргона, связанного с наукой о данных, машинным обучением и особенно с искусственным интеллектом. Одна из ваших ролей специалиста по обработке и анализу данных — помочь вашим коллегам и членам команды разобраться в жаргоне. Воспользуйтесь возможностью уточнить ключевые термины и даже определить их использование в вашей организации с помощью соответствующих примеров.
Первоначально опубликовано на https://www.linkedin.com.
Ави Патчава, генеральный директор (совместно), Bright Money
Брайт строит жизнь без долгов.
Bright — это супер-приложение, которое избавит вас от долгов. Наши продукты включают переводы баланса для задолженности по кредитной карте, усилители кредитного рейтинга, умные финансовые планы. и автоматизированные сбережения и инвестиции. Наше приложение с самым высоким рейтингом помогает тысячам людей каждый день избавляться от долгов. Мы являемся потребительской финтех-компанией и являемся экспертами в области технологий Data Science с командой из более чем 200 умников в США, Европе и Индии.