Gli esperimenti contribuiscono alla fattibilità di un progetto. Si tratta di ipotesi verificabili e riproducibili. Quando esegui esperimenti, l'obiettivo è apportare miglioramenti continui e incrementali valutando una serie di funzionalità e architetture del modello. Quando esegui esperimenti, ti consigliamo di procedere come segue:
Determina il rendimento di riferimento. Per iniziare, stabilisci una metrica di riferimento. La base di riferimento funge da metro di misura per confrontare gli esperimenti.
In alcuni casi, l'attuale soluzione non ML può fornire la prima metrica di riferimento. Se al momento non esiste una soluzione, crea un modello di ML con un'architettura semplice, alcune funzionalità e utilizza le relative metriche come linea di base.
Apporta piccole modifiche singole. Apporta una sola piccola modifica alla volta, ad esempio agli iperparametri, all'architettura o alle funzionalità. Se la modifica migliora il modello, le metriche del modello diventano la nuova linea di base rispetto alla quale confrontare gli esperimenti futuri.
Di seguito sono riportati alcuni esempi di esperimenti che apportano una singola piccola modifica:
- includono la funzionalità X.
- Utilizza un tasso di dropout di 0,5 nel primo livello nascosto.
- esegui la trasformazione logaritmica della funzionalità Y.
- imposta il tasso di apprendimento su 0,001.
Registra l'avanzamento degli esperimenti. Molto probabilmente dovrai fare molti esperimenti. Gli esperimenti con una qualità di previsione scarsa (o neutra) rispetto al valore di riferimento sono comunque utili da monitorare. Indicano quali approcci non funzioneranno. Poiché i progressi sono in genere non lineari, è importante mostrare che stai lavorando al problema evidenziando tutti i metodi che hai trovato non funzionanti, oltre ai tuoi progressi nell'aumento della qualità di riferimento.
Poiché ogni addestramento completo su un set di dati reale può richiedere ore (o giorni), valuta la possibilità di eseguire contemporaneamente più esperimenti indipendenti per esplorare rapidamente lo spazio. Man mano che continui a eseguire l'iterazione, dovresti avvicinarti sempre più al livello di qualità necessario per la produzione.
Rumore nei risultati sperimentali
Tieni presente che potresti riscontrare rumore nei risultati sperimentali che non provengono da modifiche al modello o ai dati, il che rende difficile determinare se una modifica apportata ha effettivamente migliorato il modello. Di seguito sono riportati alcuni esempi di elementi che possono produrre rumore nei risultati sperimentali:
Shuffling dei dati: l'ordine in cui i dati vengono presentati al modello può influire sul rendimento del modello.
Inizializzazione delle variabili: il modo in cui vengono inizializzate le variabili del modello può influire anche sul suo rendimento.
Parallelismo asincrono: se il modello viene addestrato utilizzando il parallelismo asincrono, anche l'ordine in cui vengono aggiornate le diverse parti del modello può influire sulle sue prestazioni.
Set di valutazione piccoli: se il set di valutazione è troppo piccolo, potrebbe non essere rappresentativo delle prestazioni complessive del modello, producendo variazioni non uniformi della qualità del modello.
L'esecuzione di un esperimento più volte consente di confermare i risultati sperimentali.
Allineamento alle pratiche di sperimentazione
Il tuo team deve avere una comprensione chiara di cosa sia esattamente un "esperimento", con un insieme definito di pratiche e artefatti. Ti consigliamo di fornire una documentazione che illustri quanto segue:
Artefatti. Che cosa sono gli elementi di un esperimento? Nella maggior parte dei casi, un esperimento è un'ipotesi testata che può essere riprodotta, in genere registrando i metadati (come le funzionalità e gli iperparametri) che indicano le variazioni tra gli esperimenti e il modo in cui influiscono sulla qualità del modello.
Pratiche di codifica. Tutti utilizzeranno i propri ambienti sperimentali? Quanto sarà possibile (o facile) unificare il lavoro di tutti in librerie condivise?
Riproducibilità e monitoraggio. Quali sono gli standard per la riproducibilità? Ad esempio, il team deve utilizzare la stessa pipeline di dati e le stesse pratiche di gestione delle versioni o è sufficiente mostrare solo i grafici? Come verranno salvati i dati sperimentali: come query SQL o come istantanee del modello? Dove verranno documentati i log di ogni esperimento: in un documento, in un foglio di lavoro o in un CMS per la gestione degli esperimenti?
Previsioni sbagliate
Nessun modello reale è perfetto. In che modo il sistema gestirà le previsioni sbagliate? Inizia a pensare in anticipo a come gestirli.
Una strategia di best practice incoraggia gli utenti a etichettare correttamente le previsioni sbagliate. Ad esempio, le app di posta acquisiscono le email classificate erroneamente registrando la posta che gli utenti muovono nella cartella Spam e viceversa. Acquisendo le etichette basate su dati empirici reali dagli utenti, puoi progettare loop di feedback automatici per la raccolta dei dati e la ricollocazione dei modelli.
Tieni presente che, sebbene i sondaggi incorporati nell'interfaccia utente acquisiscano il feedback degli utenti, i dati sono tipicamente qualitativi e non possono essere incorporati nei dati di ricollocazione.
Implementare una soluzione end-to-end
Mentre il team esegue esperimenti sul modello, è buona norma iniziare a sviluppare parti della pipeline finale (se disponi delle risorse necessarie).
Stabilire componenti diversi della pipeline, come l'importazione dei dati e il retraining del modello, semplifica il trasferimento del modello finale in produzione. Ad esempio, disporre di una pipeline end-to-end per l'importazione dei dati e la pubblicazione delle previsioni può aiutare il team a iniziare a integrare il modello nel prodotto e a iniziare a eseguire test utente nelle prime fasi.
Risolvere i problemi relativi ai progetti in stallo
Potresti trovarti in scenari in cui l'avanzamento di un progetto si blocca. Forse il tuo team sta lavorando a un esperimento promettente, ma non riesce a migliorare il modello da settimane. Cosa dovresti fare? Di seguito sono riportati alcuni possibili approcci:
Strategiche. Potresti dover riformulare il problema. Dopo aver trascorso del tempo nella fase di sperimentazione, probabilmente comprendi meglio il problema, i dati e le possibili soluzioni. Con una conoscenza più approfondita del dominio, probabilmente puoi definire il problema in modo più preciso.
Ad esempio, inizialmente potresti voler utilizzare la regressione lineare per predire un valore numerico. Purtroppo, i dati non erano sufficientemente buoni per addestrare un modello di regressione lineare valido. Forse un'ulteriore analisi rivela che il problema può essere risolto prevedendo se un esempio è superiore o inferiore a un valore specifico. In questo modo puoi riformulare il problema come un problema di classificazione binaria.
Se i progressi sono più lenti del previsto, non mollare. I miglioramenti incrementali nel tempo potrebbero essere l'unico modo per risolvere il problema. Come accennato in precedenza, non aspettarti lo stesso livello di avanzamento settimana dopo settimana. Spesso, ottenere una versione di un modello pronta per la produzione richiede molto tempo. Il miglioramento del modello può essere irregolare e imprevedibile. I periodi di avanzamento lento possono essere seguiti da picchi di miglioramento o viceversa.
Tecnico. Devi dedicare tempo alla diagnosi e all'analisi delle previsioni sbagliate. In alcuni casi, puoi trovare il problema isolando alcune previsioni sbagliate e diagnosticando il comportamento del modello in queste istanze. Ad esempio, potresti scoprire problemi con l'architettura o i dati. In altri casi, la raccolta di ulteriori dati può essere utile. Potresti ricevere un segnale più chiaro che ti suggerisca di essere sulla strada giusta oppure potrebbe produrre più rumore, indicando la presenza di altri problemi nell'approccio.
Se stai lavorando a un problema che richiede set di dati etichettati da persone, potrebbe essere difficile ottenere un set di dati etichettato per la valutazione del modello. Trova risorse per ottenere i set di dati di cui hai bisogno per la valutazione.
È possibile che non sia possibile trovare una soluzione. Definisci un periodo di tempo per il tuo approccio e fermati se non hai compiuto progressi entro il periodo di tempo stabilito. Tuttavia, se hai una dichiarazione del problema chiara, probabilmente merita una soluzione.