Базовый процесс машинного обучения начинается с идентификации используемого случая и приема данных, за которыми следует предварительная обработка данных. После того, как данные предварительно обработаны или спроектированы, мы затем принимаем решение о выборе подходящего алгоритма на основе используемого случая, будь то классификация или проблема регрессии, после этого мы оцениваем наша модель использует данные обучения и тестирования, и как только алгоритм считается подходящим, он затем развертывается в производственной среде. В этом традиционном потоке процесса участие человека было и на некоторых этапах все еще присутствует на некотором уровне на этапе разработки данных / предварительной обработки, алгоритм этапы отбора и оценки . Это очевидно , поскольку эти этапы требуют достаточного количества деловой хватки и специальных знаний , связанных с деловыми вариантами использования .

Теперь давайте обсудим другую сторону медали: с увеличением объема автоматизации и количества инструментов, предназначенных для решения задач машинного обучения (например, KNIME), потребность в написании ручного кода и скриптов для восходящего потока значительно снижается. такие действия, как прием данных, предварительная обработка данных и не только это, но такие инструменты, как AutoML, имеют внутреннюю способность автоматизировать ту часть, где необходимо выбрать необходимый алгоритм машинного обучения, также существует большая степень автоматизации в части развертывания решения. тоже, в случае MLOps.

Если мы сравним два приведенных выше абзаца, мы увидим резкую разницу в степени участия человека в развивающемся характере конвейеров проектирования решений для машинного обучения. Мне было любопытно обсудить и обдумать постоянно меняющуюся роль людей в создании решений для машинного обучения. трубопроводы. Ниже приведены некоторые из моих личных точек зрения.

  1. Люди должны быть лидерами, когда речь идет о разработке продуктов, инструментов и платформ, ориентированных на автоматизацию проектирования решений для машинного обучения, включая внутреннюю инфраструктуру и внешний интерфейс приложения.
  2. Обслуживание внутреннего конвейера, на котором выполняются автоматизированные сценарии.
  3. Проектирование различных сред автоматизации машинного обучения для уникальных наборов вариантов использования в зависимости от типа данных (текст, аудио, видео, IOT и т. д.)
  4. Выявление и изучение нового набора сценариев использования, в которых машинное обучение может применяться в режиме реального времени, например, в банковском деле, производстве и цепочке поставок.
  5. Внедрение контекста в процесс разработки решения для машинного обучения путем сбора информации об окружающей среде в отношении бизнес-использования, особенно на этапе сбора данных. Это поможет включить нематериальные активы в процесс.
  6. Построение прочных и долгосрочных отношений с заинтересованными сторонами между сообществом разработчиков, руководством и общественностью в целом.
  7. Формулирование новых рамок политики в отношении прозрачности сбора данных для обучения моделей, повышения роли подотчетности и прозрачности в процессе разработки решений для машинного обучения путем разработки правил и СОП в отношении прозрачности источников данных, потока данных и предварительной обработки данных.
  8. Я считаю, что существует непостижимый спрос со стороны людей в области обучения, обучения и повышения осведомленности об этих многообещающих отношениях между людьми и машинами.

С развивающимся характером и развитием инструментов и технологий, связанных с машинным обучением, будет честно сказать, что эти роли также должны быть отрегулированы.

Примечание: приведенные выше мысли представлены с личной точки зрения, спасибо за прочтение!!!