Wir freuen uns, die Remodel 2022 am 19. Juli und virtuell vom 20. bis 28. Juli wieder persönlich zu präsentieren. Nehmen Sie an aufschlussreichen Gesprächen und spannenden Networking-Möglichkeiten teil. Registrieren Sie sich heute!

Maschinelles Lernen (ML) ist ein unschätzbarer Vorteil für moderne Unternehmen auf ganzer Linie. Wenn es jedoch um ML-Modelle geht, stehen sowohl B2C- als auch B2B-Unternehmen vor dem Downside der verzögerten Markteinführung. Entsprechend Algorithmiebraucht eine große Mehrheit der Unternehmen mindestens einen Monat oder länger, um ihr ML-Modell zu entwickeln und dann einzusetzen.

Grund dafür ist ein aufwendiger und oft sehr kostspieliger zweistufiger Prozess. Die Entwicklung eines ML-Modells kann an und für sich ein langwieriger und möglicherweise teurer Prozess sein. Was viele Unternehmen jedoch oft nicht frühzeitig erkennen, ist, dass auf die Anfangsphase eine weitere, wohl anspruchsvollere Section folgen muss – die Bereitstellung. In dieser zweiten Section wird das fertige Modell in die Produktion überführt, getestet und verfeinert und dann entsprechend skaliert.

Es wird geschätzt, dass nur etwa 10 % aller Unternehmen über genügend Erfahrung, finanzielle Ressourcen und technisches Know-how verfügen, um ein neues ML-Modell innerhalb einer Woche nach seiner Fertigstellung in der Produktion einzusetzen. Viele kämpfen bis zu einem Jahr, wobei mindestens 30 % aller Unternehmen mindestens drei Monate nach der Bereitstellung brauchen. Wie lange es genau dauert, hängt maßgeblich davon ab, für welchen der drei gängigen Modelltypen sich das Unternehmen entscheidet.

Serienmäßige, benutzerdefinierte und benutzerdefinierte adaptive Modelle

Von den derzeit auf dem Markt verfügbaren ML-Modellen gibt es die folgenden: generische Modelle, benutzerdefinierte Modelle und benutzerdefinierte adaptive Modelle.

Generische und benutzerdefinierte Modelle sind grundsätzlich polare Gegensätze. Der Unterschied besteht darin, dass es sich um generische Modelle handelt sowohl in den Kosten als auch in der Genauigkeit niedrig, während kundenspezifische Modelle sowohl hinsichtlich der Kosten als auch der Genauigkeit hoch sind. Dies liegt daran, dass generische Modelle so konzipiert sind, dass sie für praktisch jedes Unternehmen in dieser Branche geeignet sind. Diese basieren normalerweise auf ResNet, BERT/GPT und ähnlichen handelsüblichen Technologien. Infolgedessen sind diese Modelle erschwinglich und zuverlässig, aber sie sind auch weit davon entfernt, perfekt zu passen.

Sonderanfertigungen sind dagegen immer auf die jeweilige Aufgabe zugeschnitten und damit wesentlich genauer. Aufgrund ihrer hohen Entwicklungs- und Wartungskosten sind sie jedoch auch mit einem viel höheren Preis verbunden. Diejenigen, die mit einer generischen Lösung beginnen und dann versuchen, ihr ML-Modell zu verbessern, wagen sich oft über die grundlegende Architektur des Modells hinaus. Was sie am Ende haben, ist ein benutzerdefiniertes Modell. Ein benutzerdefiniertes Modell, das sofort an breitere Geschäftsanforderungen angepasst werden kann und auf den Großteil der langwierigen Feinabstimmung nach der Bereitstellung verzichtet, ist ein benutzerdefiniertes adaptives Modell.

Ein adaptives Modell ist daher eine Artwork benutzerdefiniertes Modell mit einigen Vorteilen, die generische Modelle bieten. Wie alle anderen benutzerdefinierten Modelle werden adaptive Modelle unter Berücksichtigung bestimmter Geschäftsanforderungen entwickelt. Aus diesem Grund sind sie sehr genau. Gleichzeitig verlangen sie nicht, dass das Unternehmen es herausfindet MLops nach der ersten Entwicklungsphase. Infolgedessen funktionieren sie in gewisser Weise wie generische Modelle in der Bereitstellungs- und Nachbereitungsphase mit relativ niedrigen Wartungskosten und einer kürzeren Markteinführungszeit.

Auswählen eines ML-Modells

Welches Modell Ihr Unternehmen benötigt – additionally ob sich der Aufpreis lohnt – hängt von Ihrer konkreten Scenario ab. Ihr Unternehmen benötigt möglicherweise etwas ganz Einfaches, wie z. B. das Senden von On-line-Bestellungen an verschiedene Lager, je nach Standort. In diesem Fall könnte ein generisches ML-Modell genau das Richtige sein, insbesondere wenn Sie ein kleines Unternehmen sind.

Auf der anderen Seite, wenn es um etwas Bestimmtes wie Inhaltsmoderation geht eine On-line-Group von Ärzten Wenn es um medizinische Geräte geht, wird ein benutzerdefiniertes Modell besser funktionieren. Was ein generisches ML-Modell als unangemessene Sprache ansehen könnte – zum Beispiel Erwähnungen von Genitalien – ist nicht nur angemessen, sondern im Kontext medizinischer Diskussionen notwendig. Das Ausbildungsmodell muss in diesem Fall auf die individuellen Bedürfnisse des Unternehmens zugeschnitten werden. Und dieses maßgeschneiderte Modell kann entweder adaptiv sein oder nicht.

Betrachten wir die Vor- und Nachteile der einzelnen Modelle:

Vergleich von ML-Modelltypen. Bild vom Autor

Benutzerdefinierte adaptive Modelle

Benutzerdefinierte ML-Modelle sind aufgrund der oft unvorhergesehenen Kosten vor und nach der Bereitstellung teuer. Aufgrund dieser in der Regel hohen Anlaufkosten meiden einige Unternehmen eher die maßgeschneiderte Variante und entscheiden sich stattdessen für den weniger genauen, aber auch kostengünstigeren generischen Weg. Wie teuer ein Trainingsmodell tatsächlich wird, hängt von einer Reihe von Faktoren ab, unter anderem von der gewählten Datenbeschriftung Methodik, was sich in der Flexibilität des Modells oder dessen Fehlen widerspiegelt.

Der folgende Fall veranschaulicht ein Crowdsourcing-basiertes benutzerdefiniertes adaptives Modell in Aktion, d. h. ein adaptives Modell, das auf Human-in-the-Loop-Kennzeichnung beruht:

Ein bekanntes Unternehmen, das eine technische Bearbeitungsumgebung anbietet, wollte die Genauigkeit seiner Software program verbessern und die Schulungskosten des Modells senken. Das Ingenieurteam musste eine effizientere Lösung für die Korrektur englischer Sätze finden. Jede Lösung musste mit einer bereits vorhandenen vollständig manuellen Etikettierungspipeline übereinstimmen.

Die endgültige Lösung bestand darin, ein bereits vorhandenes benutzerdefiniertes Modell für die sprachliche Verarbeitung zu verwenden, das an die Bedürfnisse des Kunden angepasst wurde. Für die Textklassifizierung innerhalb der Zielsätze wurde AutoML von Drittanbietern verwendet. Anschließend stieg die Genauigkeit der Phrasenüberprüfung um 6 % – von 76 % auf 82 %. Dies wiederum senkte die Schulungskosten des Modells um 3 %. Darüber hinaus musste der Kunde keine zusätzlichen Investitionen – finanziell oder anderweitig – in die Infrastruktur des Modells tätigen, wie dies normalerweise bei den meisten kundenspezifischen Modellen der Fall ist.

Wichtige Punkte, die Sie beachten sollten

Die Auswahl des richtigen ML-Modells für Ihr Unternehmen kann eine entmutigende Aufgabe sein. Hier ist eine Zusammenfassung dessen, was Sie berücksichtigen sollten, um eine fundierte Entscheidung zu treffen:

Überlegen Sie, wie spezifisch Ihre Bedürfnisse sind: Je spezifischer die Bedürfnisse sind, desto weiter sollten Sie sich als Faustregel vom generischen Modell entfernen.

Berücksichtigen Sie immer die Skalierbarkeit – wenn Sie wissen, dass Sie diese benötigen werden, ziehen Sie in Erwägung, für etwas, das speziell auf Sie zugeschnitten ist, further zu bezahlen.

Wenn Sie keine hohe Genauigkeit, aber eine schnelle Bereitstellung benötigen, sollten Sie sich für die generische Route entscheiden.

Wenn Ihnen Genauigkeit wichtig ist, überlegen Sie, wie viel Markteinführungszeit Sie erübrigen können.

Wenn Sie wenig Zeit haben und eine hohe Genauigkeit benötigen, sollten Sie die benutzerdefinierte adaptive Route in Betracht ziehen. Andernfalls kann jede benutzerdefinierte Lösung Ihre Anforderungen möglicherweise genauso intestine erfüllen.

In Bezug auf die Gesamtkosten ist die generische Route am günstigsten – gefolgt von der benutzerdefinierten adaptiven Route, die am meisten umgeht MLops Kosten – und schließlich durch alle anderen kundenspezifischen Lösungen, deren Kosten nach der Bereitstellung erheblich steigen können (die genauen Zahlen sind von Fall zu Fall sehr unterschiedlich).

Überlegen Sie, ob Ihnen interne Information Scientists und MLEs zur Verfügung stehen – wenn ja, kann es machbar sein, sich für die traditionelle, intern entwickelte benutzerdefinierte Choice zu entscheiden. Wenn nicht – ziehen Sie die anderen beiden in Betracht (generisch oder benutzerdefinierte adaptiv).

Berücksichtigen Sie bei der Wahl zwischen benutzerdefinierten und benutzerdefinierten adaptiven Optionen, wie genau und spezifisch für die Bedürfnisse Ihrer Kunden das ML-Modell letztendlich sein muss. Je höher die Genauigkeit und Anpassungsfähigkeit, desto höher die Kosten und länger die Wartezeit für die Erstellung und Wartung des Modells.

Fedor Zhdanov ist Leiter der ML-Produkte bei Toloka AI.

DatenEntscheider

Willkommen in der VentureBeat-Group!

DataDecisionMakers ist der Ort, an dem Experten, einschließlich der technischen Mitarbeiter, die mit Daten arbeiten, datenbezogene Erkenntnisse und Innovationen austauschen können.

Wenn Sie über progressive Ideen und aktuelle Informationen, Greatest Practices und die Zukunft von Daten und Datentechnologie lesen möchten, besuchen Sie uns bei DataDecisionMakers.

Sie könnten sogar in Betracht ziehen Beitrag eines Artikels von dir selbst!

Lesen Sie mehr von DataDecisionMakers

An eclectic neighborhood cafe serving organic roast and a small breakfast menu. Now serving Porto's Bakery pastries! Shaded Dog-friendly seating outside.
Phone: (626) 797-9255
Pasadena, CA 91104
2057 N Los Robles Ave Unit #10