تخطيط مشروع تعلُّم الآلة

يختلف تخطيط مشروعات تعلُّم الآلة عن التخطيط لمشروعات هندسة البرمجيات النموذجية. تتميز مشروعات تعلُّم الآلة بأنها غير خطية ولها درجات متفاوتة من عدم اليقين. إنها تتطلب نهجًا تكراريًا وطريقة عقلية تجريبية.

عدم اليقين في المشروع

قد يكون التخطيط في المرحلة المبكرة صعبًا لأن أفضل نهج عادةً لا يكون واضحًا عند بدء المشروع. هذا عدم اليقين المتأصل يجعل تقدير الجداول الزمنية أمرًا صعبًا.

توضّح مسابقة Kaggle الأخيرة مدى عدم اليقين في مشاريع تعلُّم الآلة. في الأسابيع القليلة الأولى من المسابقة، شارك 350 فريقًا. تمكنت بعض الفرق من زيادة جودة التنبؤ بمقياس الأداء من 35٪ إلى 65٪. خلال الأسبوعين المقبلين، زاد عدد الفرق التي تعمل على المشكلة من 350 إلى 1400. ومع ذلك، فإن أفضل نموذج حقق جودة تنبؤ بنسبة 68٪ فقط.

يوضّح الشكل 3 عدم اليقين في تطوير تعلُّم الآلة من خلال إظهار الزيادة الكبيرة في الجهد ولكن مع تحقيق الحد الأدنى من المكاسب في جودة النموذج.

الشكل 3. وعلى مدى أسبوعين، زاد عدد الفِرق التي تعمل على حلّ المشكلة بمقدار 4، إلا أنّ جودة النموذج بقيت على حالها تقريبًا، ما سلّطت الضوء على الصعوبة في تقدير الجهد المبذول لحل تكنولوجيا تعلُّم الآلة.

بعبارة أخرى، لم يحقق أكثر من ألف فريق - كل منهم يجرب مجموعة متنوعة من عمليات تحويل البيانات والبُنى الأساسية والمعلمات الفائقة - سوى إنتاج نموذج بجودة تنبؤات بنسبة 68٪.

مثال من الصناعة يوضّح العلاقة غير الخطية في مشاريع تعلُّم الآلة، حيث لا يتناسب الإخراج مع المدخلات. استغرق فريقان عدة أشهر لتدريب نموذج على جودة التنبؤ بنسبة 90٪. ومع ذلك، استغرق الأمر عدة فرق من أكثر من خمس سنوات لإعداد النموذج للإنتاج بجودة توقع 99.9٪.

تسلط هذه الأمثلة الضوء على أن تعلُّم الآلة الجاهز للإنتاج هو عملية استكشافية، تتطلب عقلية علمية وهندسية معًا.

النهج التجريبي

في معظم الحالات، يشبه تطوير تعلُّم الآلة إجراء التجارب أكثر من ممارسة هندسة البرمجيات التقليدية. تتطلب تقنية تعلُّم الآلة اختبار ميزات مختلفة، وتجربة بُنى أساسية متعددة، وضبط المُعلِّمات الفائقة بشكل صحيح. لا نضمن نجاح التجارب حسب تعريفها. لهذا السبب، من الأفضل التخطيط باستخدام إطار عمل تجريبي.

لنلقِ نظرة على خطة هندسة برمجيات نموذجية لمعرفة مدى اختلافها عن خطة مشروع تعلُّم الآلة.

تخطيط مشروعات هندسة البرمجيات

في خطة هندسة البرامج النموذجية، يمكنك تحديد المتطلبات، وتحديد المكونات، وتقدير الجهد، وجدولة العمل. هناك مسار محدد بوضوح للحل. على سبيل المثال، غالبًا ما يعرف المهندسون بدرجة عالية من اليقين المهام التي يحتاجون إلى إكمالها لإنشاء تطبيق يلبي مواصفات التصميم.

عندما يتنبأ بالوقت الذي سيستغرقه إكمال مهمة، يمكنه تقدير العمل بناءً على مشروعات مماثلة. على الرغم من حدوث تحديات بشكل لا متغير - مثل التبعيات غير المعروفة أو المتطلبات المتغيرة - والتي يمكن أن تجعل التقدير صعبًا في بعض الأحيان، إلا أن هناك مسار واضح للحل عادةً.

وفي المقابل، لا تمتلك مشاريع تعلُّم الآلة عادةً مسارًا واضحًا للنجاح.

تخطيط مشاريع تعلُّم الآلة

بالنسبة إلى معظم مشاريع تعلُّم الآلة، ستجد الحل الأفضل من خلال تجربة مناهج متعدّدة في عملية التجربة والخطأ. لن تعرف عادةً الحل الأمثل لمشكلتك قبل محاولة حلها. على سبيل المثال، قد تكون بنية الحل الأمثل هي نموذج خطي بسيط، أو شبكة عصبية، أو ربما شجرة قرارات. فقط من خلال تجربة كل نهج يمكنك اكتشاف أفضل حل.

هذا الغموض يجعل التخطيط صعبًا. كما ناقشنا سابقًا، يعد التنبؤ بالجهد الذي سيتطلبه مشروع تعلُّم الآلة أمرًا صعبًا. فقط من خلال محاولة حل المشكلة، يمكنك الحصول على فكرة أفضل عن مقدار الوقت والموارد التي قد يتطلبها الحل.

في ما يلي الاستراتيجيات المقترَحة للتخطيط لعمل تعلُّم الآلة:

• تحديد وقت العمل: حدد أطر زمنية واضحة لإنجاز المهام أو حاول حل حل معين. على سبيل المثال، قد تخصص أسبوعين لتحديد ما إذا كان بإمكانك الوصول إلى النوع الصحيح من البيانات. وإذا تمكنت من الحصول على البيانات، يمكنك بعد ذلك تخصيص أسبوعين آخرين لمعرفة ما إذا كان النموذج البسيط يشير إلى أن حل التعلم الآلي ممكن. إذا فشل نموذج بسيط، يمكنك تخصيص أسبوعين آخرين لتجربة شبكة عصبية. في نهاية كل إطار زمني، سيكون لديك مزيد من المعلومات لتحديد ما إذا كان الاستمرار في تطبيق الموارد على المشكلة أمر جدير بالاهتمام أم لا.

• تحديد نطاق متطلبات المشروع: إذا كان أحد حلول تعلُّم الآلة يبدو واعدًا ولكنه لا يمثل ميزة مهمة لمنتجك أو خدمتك، راجِع متطلباته. على سبيل المثال، عند التخطيط لعمل الربع القادم، قد تخطط لتجربة حل بسيط للغاية. ثم في الأرباع التالية، قد تخطط لتحسين الحل بشكل متكرر. كان تنفيذ حل تعلُّم الآلة من خلال إجراء تحسينات تدريجية على فترة زمنية طويلة هو الطريقة التي وصلت بها العديد من الفِرق إلى حلول تعلُّم الآلة المؤثّرة.

• مشروع تدريب متدرب أو مشروع موظف في Noogler يمكن أن يكون توجيه أو توجيه متدرب أو موظف في Noogler لمحاولة حل تعلُّم الآلة طريقة جيدة لبدء استكشاف مساحة جديدة ذات نتائج غير معروفة. بعد انتهاء المشروع، سيكون لديك فكرة أفضل عن الجهد الذي سيتطلبه حل تعلُّم الآلة وأساليب واعدة محتملة لمواصلة تنفيذها - أو ما إذا كان يجب وضع الموارد في مكان آخر.

مع أي استراتيجية، يكون من الحكمة أن تفشل بسرعة. حاول الاقتراب من بأقل التكاليف، ولكن يُحتمل أن تكون أعلى مفعول، أولاً. إذا نجح هذا النهج، فقد وجدت حلاً جيدًا. إذا لم يكن الأمر كذلك، فأنت لم تهدر الكثير من الوقت والموارد.

عندما تكتسب الفرق خبرة والتعرف على إجراء التجارب، فإنهم سيكونون قادرين على تقدير الجهد الذي قد تتطلبه التجربة بشكل أفضل، مما يجعل التخطيط أكثر قابلية للتنبؤ. ومع ذلك، ستكون نتائج التجربة غير معروفة دائمًا تقريبًا، وبالتالي لا يمكن تقدير عدد التجارب اللازمة للعثور مسبقًا على الحل الأفضل.

تساعد مناهج التخطيط بعقلية تجريبية في إعداد فريقك لتحقيق النجاح. عندما يقود نهج ما إلى طريق مسدود، بدلاً من الشعور بالإحباط، يدرك أعضاء الفريق أن هذا جزء من عملية إيجاد حل لتعلُّم الآلة. والأهم من ذلك، يمكنك تحديد توقعات أكثر واقعية من خلال مناقشة عدم اليقين الكامن في تطوير تعلُّم الآلة مع الأطراف المعنية.

تنبيه

يستغرق تعلم التخطيط لمناهج تعلّم الآلة المتعددة بشكل محتمل الوقت والخبرة. قد تتطلب خطة مشروعك تحديثات متكررة. فكر في الأمر على أنه وثيقة ديناميكية في تطور مستمر بينما يختبر فريقك أساليب متعددة. من خلال التركيز على الأفكار الرئيسية التالية، ستزيد من فرص النجاح:

• تقدير التكلفة وفرصة النجاح لكل نهج.
• جرب مجموعة من الأساليب.
• حدد الدروس المستفادة وحاول تحسين النظام شيئًا واحدًا في كل مرة.
• التخطيط للإخفاقات.

في بعض الأحيان يؤدي الأسلوب المبكر إلى تقدم. قد يكتشف شخص ما خطأً في مسار إنشاء البيانات أو قسم التحقق من صحة التدريب. من خلال التخطيط الجيد والوثائق الشاملة، تزيد من احتمالية العثور على نموذج يحل مشكلة عملك في وقت أقرب من المتوقع.