ניסויים
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
ניסויים עוזרים להפוך את הפרויקט לישיא. הן השערות שאפשר לבדוק ולשכפל. כשמריצים ניסויים, המטרה היא לבצע שיפורים מצטברים ומתמשכים על ידי בדיקה של מגוון ארכיטקטורות ותכונות של מודלים. כשאתם מבצעים ניסויים, כדאי לבצע את הפעולות הבאות:
קביעת רמת הבסיס של הביצועים מתחילים בהגדרת מדד בסיס. קו הבסיס משמש כמדד להשוואה בין ניסויים.
במקרים מסוימים, הפתרון הנוכחי שאינו מבוסס-למידה יכול לספק את מדד הבסיס הראשון. אם אין פתרון כרגע, אפשר ליצור מודל למידת מכונה עם ארכיטקטורה פשוטה, כמה תכונות ולהשתמש במדדים שלו כבסיס.
מבצעים שינויים קטנים בודדים. מבצעים רק שינוי קטן אחד בכל פעם, למשל בהיפר-פרמטרים, בארכיטקטורה או בתכונות. אם השינוי ישפר את המודל, המדדים של המודל הזה יהיו הבסיס החדש להשוואה עם ניסויים עתידיים.
בהמשך מפורטות דוגמאות לניסויים שבהם מתבצע שינוי קטן אחד:
- כולל את התכונה X.
- משתמשים ב-dropout של 0.5 בשכבה החבויה הראשונה.
- מבצעים טרנספורמציה לוגרית של התכונה Y.
- משנים את קצב הלמידה ל-0.001.
תיעוד של התקדמות הניסויים סביר להניח שתצטרכו לבצע הרבה ניסויים. עדיין כדאי לעקוב אחרי ניסויים עם איכות חיזוי נמוכה (או ניטרלית) בהשוואה לקו הבקרה. הם מסמנים אילו גישות לא יפעלו. מכיוון שההתקדמות בדרך כלל לא לינארית, חשוב להראות שאתם עובדים על הבעיה על ידי הדגשת כל הדרכים שמצאתם שלא עובדות, בנוסף להתקדמות שלכם בשיפור האיכות הבסיסית.
כל אימון מלא במערך נתונים מהעולם האמיתי יכול להימשך שעות (או ימים), לכן מומלץ להריץ כמה ניסויים עצמאיים בו-זמנית כדי לחקור את המרחב במהירות. ככל שתמשיכו בתהליך, כך תתקרבו יותר ויותר לרמת האיכות הנדרשת בסביבת הייצור.
רעש בתוצאות הניסוי
חשוב לזכור שיכול להיות שתבחינו ברעש בתוצאות הניסוי שלא נובע משינויים במודל או בנתונים, ולכן יהיה קשה לקבוע אם השינוי שביצעתם אכן שיפר את המודל. דוגמאות לגורמים שיכולים לגרום לרעש בתוצאות הניסוי:
החלפת נתונים: הסדר שבו הנתונים מוצגים למודל יכול להשפיע על ביצועי המודל.
אתחול המשתנים: גם האופן שבו המשתנים של המודל מאתחלים יכול להשפיע על הביצועים שלו.
מקביליות אסינכרונית: אם המודל מאומן באמצעות מקביליות אסינכרונית, גם הסדר שבו מתבצעים העדכונים של החלקים השונים של המודל יכול להשפיע על הביצועים שלו.
קבוצות הערכה קטנות: אם קבוצת ההערכה קטנה מדי, יכול להיות שהיא לא מייצגת את הביצועים הכוללים של המודל, וכתוצאה מכך יהיו תנודות לא אחידות באיכות המודל.
הפעלת ניסוי כמה פעמים עוזרת לאשר את תוצאות הניסוי.
תיאום שיטות הניסוי
הצוות צריך להבין בבירור מהו בדיוק 'ניסוי', עם קבוצה מוגדרת של שיטות ופריטי מידע. רצוי לשלוח מסמכים שמפרטים את הפרטים הבאים:
ארטיפקטים מהם הארטיפקטים של ניסוי? ברוב המקרים, ניסוי הוא השערה שנבדקה ואפשר לשחזר אותה. בדרך כלל, עושים זאת על ידי רישום ביומן של המטא-נתונים (כמו המאפיינים והפרמטרים ההיפרבאריים) שמציינים את השינויים בין הניסויים ואת ההשפעה שלהם על איכות המודל.
שיטות תכנות האם כל אחד ישתמש בסביבות ניסיוניות משלו?
עד כמה אפשר (או קל) לאחד את העבודה של כולם בספריות משותפות?
יכולת לשחזור ומעקב מהם הסטנדרטים של שחזוריות? לדוגמה, האם הצוות צריך להשתמש באותו צינור עיבוד נתונים ובאותן שיטות לניהול גרסאות, או שאפשר להציג רק תרשימים? איך נתוני הניסוי יישמרו: כשאילתות SQL או כתמונות מצב של מודלים? איפה יופיעו הרשומות של כל ניסוי: במסמך, בגיליון אלקטרוני או במערכת ניהול תוכן לניהול ניסויים?
חיזויים שגויים
אף מודל בעולם האמיתי אינו מושלם. איך המערכת תטפל בתחזיות שגויות?
כדאי להתחיל לחשוב מוקדם על האופן שבו לטפל בהן.
אסטרטגיית שיטות מומלצות היא לעודד משתמשים לתייג בצורה נכונה תחזיות שגויות.
לדוגמה, אפליקציות אימייל מתעדות אימיילים שסווגו בטעות על ידי רישום של האימיילים שהמשתמשים העבירו לתיקיית הספאם, וגם להפך. כשאתם אוספים תוויות של עובדות מהמשתמשים, אתם יכולים לתכנן לולאות משוב אוטומטיות לאיסוף נתונים ולאימון מחדש של מודלים.
חשוב לזכור שסקרים שמוטמעים בממשק המשתמש מתעדים משוב ממשתמשים, אבל בדרך כלל הנתונים הם איכותיים ואי אפשר לשלב אותם בנתוני ההדרכה מחדש.
הטמעת פתרון מקצה לקצה
בזמן שהצוות שלכם מבצע ניסויים במודל, מומלץ להתחיל לפתח חלקים מצינור עיבוד הנתונים הסופי (אם יש לכם את המשאבים הדרושים).
הגדרה של חלקים שונים בצינור עיבוד הנתונים – כמו קליטת נתונים וריענון מודל – מאפשרת להעביר בקלות את המודל הסופי לסביבת הייצור. לדוגמה, צינור עיבוד נתונים מקצה לקצה להטמעת נתונים ולהצגת תחזיות יכול לעזור לצוות להתחיל לשלב את המודל במוצר ולהתחיל לבצע בדיקות משתמשים בשלב מוקדם.
פתרון בעיות בפרויקטים שנתקעו
יכול להיות שתתקלו בתרחישים שבהם ההתקדמות של פרויקט מסוים נעצרת. יכול להיות שהצוות שלכם עבד על ניסוי מבטיח אבל לא הצליח לשפר את המודל במשך שבועות. מה עליך לעשות? ריכזנו כאן כמה גישות אפשריות:
אסטרטגיות יכול להיות שתצטרכו לנסח מחדש את הבעיה. אחרי שתבלו זמן בשלב הניסוי, סביר להניח שתקבלו הבנה טובה יותר של הבעיה, הנתונים והפתרונות האפשריים. ככל שתצברו ידע מעמיק יותר בתחום, תוכלו להגדיר את הבעיה בצורה מדויקת יותר.
לדוגמה, יכול להיות שבהתחלה רצית להשתמש ברגרסיה לינארית כדי לחזות ערך מספרי. לצערנו, הנתונים לא היו טובים מספיק כדי לאמן מודל רגרסיה לינארי תקין. יכול להיות שניתוח נוסף יעלה אפשרות לפתרון הבעיה באמצעות חיזוי אם דוגמה מסוימת גבוהה או נמוכה מערך ספציפי. כך תוכלו להגדיר מחדש את הבעיה כבעיית סיווג בינארי.
אם ההתקדמות איטית מהצפוי, אל תוותרו. יכול להיות ששיפורים מצטברים לאורך זמן הם הדרך היחידה לפתור את הבעיה. כפי שציינו קודם, לא צפוי שיפור משמעותי בכל שבוע. לרוב, יצירת גרסה של מודל שזמינה לייצור אורכת זמן רב.
השיפור של המודל יכול להיות לא סדיר ולא צפוי. אחרי תקופות של התקדמות איטית יכולים להגיע זינוקים בשיפור, ולהפך.
טכני להקדיש זמן לאבחון ולניתוח של תחזיות שגויות. במקרים מסוימים, אפשר למצוא את הבעיה על ידי בידוד של כמה תחזיות שגויות ואבחון ההתנהגות של המודל במקרים האלה. לדוגמה, יכול להיות שתגלו בעיות בארכיטקטורה או בנתונים. במקרים אחרים, כדאי לקבל נתונים נוספים. יכול להיות שתקבלו אות ברור יותר שמצביע על כך שאתם בדרך הנכונה, או שתהיה יותר רעשי רקע, שמעידים על בעיות אחרות בגישה.
אם אתם עובדים על בעיה שדורשת מערכי נתונים עם תוויות שהוגדרו על ידי בני אדם, יכול להיות שיהיה קשה להשיג מערך נתונים מתויג לצורך הערכת המודל. מקורות מידע שיעזרו לכם למצוא את מערכי הנתונים שדרושים לצורך הערכה.
יכול להיות שאין פתרון אפשרי. כדאי להגדיר לעצמכם מסגרת זמן, ולהפסיק אם לא תראו התקדמות במסגרת הזמן. עם זאת, אם יש לכם הצהרת בעיה חזקה, סביר להניח שצריך למצוא לה פתרון.
בדיקת ההבנה
חבר צוות מצא שילוב של היפר-פרמטרים שמשפר את המדד של מודל הבקרה. מה שאר חברי הצוות צריכים לעשות?
אולי לשלב היפר-פרמטר אחד, אבל להמשיך בניסויים שלהם.
נכון. אם אחד מהפרמטרים העל-היפר שלהם נראה כמו בחירה סבירה, כדאי לנסות אותו. עם זאת, לא כל האפשרויות של הפרמטרים הסופר-היפר הגיוניות בכל הקשר ניסיוני.
לשנות את כל הפרמטרים האלגוריתמיים בניסוי הנוכחי כך שיתאימו לפרמטרים של עמית/ה לעבודה.
היפר-פרמטרים ששיפרו מודל אחד לא בהכרח ישפרו גם מודל אחר. שאר חברי הצוות צריכים להמשיך בניסויים שלהם, כי יכול להיות שהם ישפרו את הבסיס עוד יותר בהמשך.
מתחילים ליצור צינור עיבוד נתונים מקצה לקצה שישמש להטמעת המודל.
מודל שמשפר את רמת הבקרה לא בהכרח יהיה המודל שייעשה בו שימוש בסביבת הייצור. הם צריכים להמשיך בניסויים שלהם, כי יכול להיות שהם ישפרו את רמת הבקרה הבסיסית עוד יותר בהמשך.
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-27 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-27 (שעון UTC)."],[[["\u003cp\u003eExperiments involve making single, small, iterative changes to model features, architecture, or hyperparameters to improve performance compared to a baseline.\u003c/p\u003e\n"],["\u003cp\u003eIt's crucial to track all experimental results, including unsuccessful ones, to understand which approaches work and which don't.\u003c/p\u003e\n"],["\u003cp\u003eTeams should establish clear experimentation practices, including defining artifacts, coding standards, reproducibility measures, and tracking methods.\u003c/p\u003e\n"],["\u003cp\u003ePlan for handling wrong predictions early on, potentially by incorporating user feedback for model improvement.\u003c/p\u003e\n"],["\u003cp\u003eConsider building parts of the final pipeline alongside experimentation to facilitate a smoother transition to production.\u003c/p\u003e\n"]]],[],null,["# Experiments drive a project toward viability. They are testable and\nreproducible hypotheses. When running experiments, the\ngoal is to make continual, incremental improvements by evaluating a variety of\nmodel architectures and features. When experimenting, you'll want to do\nthe following:\n\n- **Determine baseline performance.** Start by establishing a\n [baseline](/machine-learning/glossary#baseline) metric. The baseline\n acts as a measuring stick to compare experiments against.\n\n In some cases, the current non-ML solution can provide the first baseline\n metric. If no solution currently exists, create a ML model with a simple\n architecture, a few features, and use its metrics as the baseline.\n- **Make single, small changes.** Make only a single, small change at a time,\n for example, to the hyperparameters, architecture, or features. If the\n change improves the model, that model's metrics become the new baseline to\n compare future experiments against.\n\n The following are examples of experiments that make a single, small change:\n - include feature *X*.\n - use 0.5 dropout on the first hidden layer.\n - take the log transform of feature *Y*.\n - change the learning rate to 0.001.\n- **Record the progress of the experiments.** You'll most likely need to do\n lots of experiments. Experiments with poor (or neutral) prediction quality\n compared to the baseline are still useful to track. They signal which\n approaches won't work. Because progress is typically non-linear, it's\n important to show that you're working on the problem by highlighting all\n the ways you found that don't work---in addition to your progress at\n increasing the baseline quality.\n\nBecause each full training on a real-world dataset can take hours (or days),\nconsider running multiple independent experiments concurrently to explore the\nspace quickly. As you continue to iterate, you'll hopefully get closer and\ncloser to the level of quality you'll need for production.\n\n### Noise in experimental results\n\nNote that you might encounter noise in experimental results that aren't from\nchanges to the model or the data, making it difficult to determine if a change\nyou made actually improved the model. The following are examples of things that\ncan produce noise in experimental results:\n\n- Data shuffling: The order in which the data is presented to the model can\n affect the model's performance.\n\n- Variable initialization: The way in which the model's\n variables are initialized can also affect its performance.\n\n- Asynchronous parallelism: If the model is trained using asynchronous\n parallelism, the order in which the different parts of the model are updated\n can also affect its performance.\n\n- Small evaluation sets: If the evaluation set is too small, it may\n not be representative of the overall performance of the model, producing\n uneven variations in the model's quality.\n\nRunning an experiment multiple times helps confirm experimental results.\n\n### Align on experimentation practices\n\nYour team should have a clear understanding of what exactly an \"experiment\" is,\nwith a defined set of practices and artifacts. You'll want documentation that\noutlines the following:\n\n- **Artifacts.** What are the artifacts for an experiment? In most cases, an\n experiment is a tested hypothesis that can be reproduced, typically by\n logging the metadata (like the features and hyperparameters) that indicate\n the changes between experiments and how they affect model quality.\n\n- **Coding practices.** Will everyone use their own experimental environments?\n How possible (or easy) will it be to unify everyone's work into shared\n libraries?\n\n- **Reproducibility and tracking.** What are the standards for\n reproducibility? For instance, should the team use the same data pipeline\n and versioning practices, or is it OK to show only plots? How will\n experimental data be saved: as SQL queries or as model snapshots? Where will\n the logs from each experiment be documented: in a doc, a spreadsheet, or a\n CMS for managing experiments?\n\nWrong predictions\n-----------------\n\nNo real-world model is perfect. How will your system handle wrong predictions?\nBegin thinking early on about how to deal with them.\n\nA best-practices strategy encourages users to correctly label wrong predictions.\nFor example, mail apps capture misclassified email by logging the mail users\nmove into their spam folder, as well as the reverse. By capturing ground truth\nlabels from users, you can design automated feedback loops for data collection\nand model retraining.\n\nNote that although UI-embedded surveys capture user feedback, the data is\ntypically qualitative and can't be incorporated into the retraining data.\n\nImplement an end-to-end solution\n--------------------------------\n\nWhile your team is experimenting on the model, it's a good idea to start\nbuilding out parts of the final pipeline (if you have the resources to do so).\n\nEstablishing different pieces of the pipeline---like data intake and model\nretraining---makes it easier to move the final model to production. For\nexample, getting an end-to-end pipeline for ingesting data and serving\npredictions can help the team start integrating the model into the product and\nto begin conducting early-stage user testing.\n\nTroubleshooting stalled projects\n--------------------------------\n\nYou might be in scenarios where a project's progress stalls. Maybe your\nteam has been working on a promising experiment but hasn't had success\nimproving the model for weeks. What should you do? The following are some\npossible approaches:\n\n- **Strategic.** You might need to reframe the problem. After spending time in\n the experimentation phase, you probably understand the problem, the data,\n and the possible solutions better. With a deeper knowledge of the domain,\n you can probably frame the problem more precisely.\n\n For instance, maybe you initially wanted to use linear regression to predict\n a numeric value. Unfortunately, the data wasn't good enough to train a\n viable linear regression model. Maybe further analysis reveals the problem\n can be solved by predicting whether an example is above or below a specific\n value. This lets you reframe the problem as a binary classification one.\n\n If progress is slower than expected, don't give up. Incremental improvements\n over time might be the only way to solve the problem. As noted earlier,\n don't expect the same amount of progress week over week. Often, getting a\n production-ready version of a model requires substantial amounts of time.\n Model improvement can be irregular and unpredictable. Periods of slow\n progress can be followed by spikes in improvement, or the reverse.\n- **Technical.** Spend time diagnosing and analyzing wrong predictions. In\n some cases, you can find the issue by isolating a few wrong predictions and\n diagnosing the model's behavior in those instances. For example, you might\n uncover problems with the architecture or the data. In other cases,\n getting more data can help. You might get a clearer signal that suggests\n you're on the right path, or it might produce more noise, indicating other\n issues exist in the approach.\n\n If you're working on a problem that requires human-labeled datasets,\n getting a labeled dataset for model evaluation might be hard to obtain. Find\n resources to get the datasets you'll need for evaluation.\n\nMaybe no solution is possible. Time-box your approach, stopping if you haven't\nmade progress within the timeframe. However, if you have a strong problem\nstatement, then it probably warrants a solution.\n\n### Check Your Understanding\n\nA team member found a combination of hyperparameters that improves the baseline model metric. What should the other members of the team do? \nMaybe incorporate one hyperparameter, but continue with their experiments. \nCorrect. If one of their hyperparameters seems like a reasonable choice, try it. However, not all hyperparameter choices make sense in every experimental context. \nChange all their hyperparameters in their current experiment to match their co-worker's. \nHyperparameters that improved one model doesn't mean they'll also improve a different model. The other teammates should continue with their experiments, which might actually improve the baseline even more later on. \nStart building an end-to-end pipeline that will be used to implement the model. \nA model that improves the baseline doesn't mean it's the model that will ultimately be used in production. They should continue with their experiments, which might actually improve the baseline even more later on.\n| **Key Terms:**\n|\n| - [baseline](/machine-learning/glossary#baseline)"]]
