Übung 7a: Ihr Problem, das als ML-Problem formuliert wurde

Notieren Sie sich oder klicken Sie auf das Kästchen, das Ihrer Meinung nach die beste technische Lösung für Ihr Problem ist. Unser Problem lässt sich am besten so darstellen:
der es vorher erstellt oder:

Wenn Ihre Lösung am besten als Vorhersage-ML eingesetzt wird, lesen Sie die folgenden Fragen. Wenn Ihre Lösung als generative KI-Technologie ausgelegt ist, lesen Sie unter MakerSuite nach. Mit dieser browserbasierten IDE können Sie mit verschiedenen Aufforderungen experimentieren, um schnell Prototypen mit generativen Sprachmodellen zu erstellen.

Übung 7b: Problem als einfacheres Problem übertragen

Von Anfang an sind einfachere Formulierungen von Problemen einfacher zu begründen und zu implementieren. Nehmen Sie das betreffende Problem als binäre Klassifizierung, als unidimensionales Regressionsproblem (oder beides) an.

Übung 8: Daten für das Modell entwerfen

Daten schreiben, die das vorausschauende ML-Modell für Vorhersagen verwenden sollen
Eine leere Tabelle mit drei Zeilen und vier Spalten mit den Labels „input1“, „input 2“, „input3“ und „output“ (Label).
Tipps für den Erfolg
  • Eine Zeile entspricht einem Datenelement, für das eine Vorhersage getroffen wird.
  • Schließen Sie nur Informationen ein, die im Moment der Vorhersage verfügbar sind.
  • Jede Eingabe kann eine Skalar- oder 1D-Liste mit Ganzzahl-, Gleitkomma- oder Byte (einschließlich Strings) sein.
  • Wenn eine Eingabe eine Struktur hat, die sich von einer skalaren oder 1D-Liste unterscheidet, solltest du überlegen, ob sie deine Daten am besten repräsentiert. Beispiel:
    • Wenn eine Zelle zwei oder mehr semantisch unterschiedliche Dinge in einer 1D-Liste darstellt, können Sie diese in separate Eingaben aufteilen.
    • Wenn eine Zelle einen verschachtelten Protokollzwischenspeicher darstellt, können Sie die einzelnen Felder des verschachtelten Protokollzwischenspeichers ausblenden.
    • Ausnahmen sind Audio-, Bild- und Videodaten, bei denen eine Zelle ein Blob mit Bytes ist.

Übung 9: Woher stammen die Daten?

Notiere dir, woher die einzelnen Eingaben stammen. Bewerten Sie, wie viel Arbeit die Entwicklung einer Datenpipeline für die Erstellung der einzelnen Spalten für eine Zeile erfordern wird.
Eine leere Tabelle mit zwei Zeilen und vier Spalten mit den Labels „input1“, „input 2“, „input3“ und „output“.
Tipps für den Erfolg
Wann ist die Beispielausgabe für Trainingszwecke verfügbar?
  • Wenn die Beispielausgabe schwierig zu erhalten ist, sollten Sie Training 5 (Verwenden der Ausgabe) wiederholen und prüfen, ob Sie eine andere Ausgabe für Ihr Modell verwenden können.
Achten Sie darauf, dass alle Eingaben (mit Ausnahme der Ausgabe) zum Zeitpunkt der Bereitstellung (wenn die Vorhersage getroffen wird) in genau dem Format verfügbar sind, das Sie aufschreiben.
  • Wenn es schwierig ist, alle Eingaben bei der Bereitstellung in genau demselben Format zu erhalten, sollten Sie Übung 8 (Daten für das Modell gestalten) überarbeiten, um Eingaben zu überdenken, oder Übung 5, um sie noch einmal zu berücksichtigen.

Übung 10: Leicht zu erreichende Eingaben

Wählen Sie aus Übung 8 ein und drei aus, die leicht zu erfassen ist und die Ihrer Meinung nach ein vernünftiges, erstes Ergebnis ergeben würden.
Eine leere Tabelle mit 2 Zeilen und 4 Spalten mit den Bezeichnungen: Eingabe 1, Eingabe 2, Eingabe 3 und Ausgabe.
Tipps für den Erfolg
  • In Übung 6 haben Sie eine Reihe von Heuristiken aufgelistet, die Sie verwenden können. Was wäre dabei hilfreich?
  • Berücksichtigen Sie die technischen Kosten für die Entwicklung einer Datenpipeline, um die Eingaben vorzubereiten, und den erwarteten Vorteil, dass jede Eingabe im Modell besteht.
  • Konzentrieren Sie sich auf Eingaben, die mit einer einfachen Pipeline von einem einzelnen System abgerufen werden können. Es ist empfehlenswert, mit der minimal möglichen Infrastruktur zu beginnen.

Drucken oder speichern

Klicken Sie auf die Schaltfläche unten, um Ihre Antworten auszudrucken oder als PDF zu speichern.

Seite drucken