ทําตามงานต่อไปนี้เพื่อทำความเข้าใจปัญหา
- ระบุเป้าหมายสำหรับผลิตภัณฑ์ที่คุณกำลังพัฒนาหรือเปลี่ยนโครงสร้างภายในโค้ด
- พิจารณาว่าเป้าหมายจะได้รับการแก้ไขได้ดีที่สุดโดยใช้ ML การคาดการณ์หรือไม่ Generative AI หรือโซลูชันที่ไม่ใช่ ML
- ตรวจสอบว่าคุณมีข้อมูลที่จําเป็นในการฝึกโมเดลหากใช้แนวทาง ML เชิงคาดการณ์
ระบุเป้าหมาย
เริ่มต้นด้วยการระบุเป้าหมายในข้อความที่ไม่ใช่ ML เป้าหมายคือคำตอบของ คำถามที่ว่า "ฉันกำลังพยายามทำอะไร"
ตารางต่อไปนี้ระบุเป้าหมายสําหรับแอปสมมติอย่างชัดเจน
| แอปพลิเคชัน | เป้าหมาย |
|---|---|
| แอปสภาพอากาศ | คำนวณปริมาณน้ำฝนที่เพิ่มขึ้นเป็น 6 ชั่วโมงสำหรับพื้นที่ทางภูมิศาสตร์หนึ่งๆ |
| แอปแฟชั่น | สร้างเสื้อเชิ้ตหลากสไตล์ |
| แอปวิดีโอ | แนะนำวิดีโอที่มีประโยชน์ |
| แอปอีเมล | ตรวจหาสแปม |
| แอปการเงิน | สรุปข้อมูลทางการเงินจากแหล่งข่าวหลายแห่ง |
| แอปแผนที่ | คำนวณเวลาเดินทาง |
| แอปธนาคาร | ระบุธุรกรรมที่เป็นการฉ้อโกง |
| แอปรับประทานอาหาร | ระบุอาหารตามเมนูของร้านอาหาร |
| แอปอีคอมเมิร์ซ | ตอบรีวิวด้วยคำตอบที่เป็นประโยชน์ |
กรณีการใช้งานที่ชัดเจนสําหรับ ML
บางคนมองว่า ML เป็นเครื่องมืออเนกประสงค์ที่ใช้งานได้กับทุกปัญหา แต่ความจริงแล้ว ML เป็นเครื่องมือเฉพาะทางที่เหมาะกับปัญหาบางอย่างเท่านั้น คุณไม่ต้องการนําโซลูชัน ML ที่ซับซ้อนมาใช้เมื่อโซลูชันที่ไม่ใช่ ML ที่ง่ายกว่าก็ทํางานได้
ระบบ ML แบ่งออกเป็น 2 หมวดหมู่ใหญ่ๆ ได้แก่ แมชชีนเลิร์นนิงแบบคาดการณ์ และ Generative AI ดังต่อไปนี้ ตารางนี้จะแสดงลักษณะเฉพาะดังต่อไปนี้
| อินพุต | เอาต์พุต | เทคนิคการฝึกอบรม | |
|---|---|---|---|
| ML การคาดการณ์ |
ข้อความ รูปภาพ เสียง วิดีโอ ตัวเลข |
ทำการคาดการณ์ เช่น การแยกประเภท ส่งอีเมลว่าเป็นสแปมหรือไม่ใช่สแปม คาดเดาปริมาณฝนของพรุ่งนี้ หรือ การคาดการณ์ราคาหุ้น โดยทั่วไปแล้ว เอาต์พุตสามารถตรวจสอบเทียบกับความเป็นจริงได้ | โดยทั่วไปจะใช้ข้อมูลจํานวนมากเพื่อฝึกโมเดลการเรียนรู้ภายใต้การควบคุม การเรียนรู้ที่ไม่มีการควบคุม หรือการเรียนรู้ด้วยการทำซ้ำเพื่อทํางานบางอย่าง |
| Generative AI |
ข้อความ รูปภาพ เสียง วิดีโอ ตัวเลข |
สร้างเอาต์พุตตามความต้องการของผู้ใช้ เช่น การสรุปบทความ การสร้างคลิปเสียงหรือวิดีโอสั้น | โดยปกติจะใช้ข้อมูลที่ไม่มีป้ายกำกับจำนวนมากเพื่อฝึกโมเดลภาษาขนาดใหญ่ หรือโปรแกรมสร้างรูปภาพเพื่อกรอกข้อมูลที่ขาดหายไป จากนั้นจึงนำไปใช้กับงานที่มีลักษณะเป็นงานเติมคำในช่องว่าง หรือจะปรับแต่งให้ละเอียดยิ่งขึ้นโดยการฝึกโมเดลด้วยข้อมูลที่ติดป้ายกำกับสำหรับงานบางอย่างที่เฉพาะเจาะจง เช่น การแยกประเภทก็ได้ |
เพื่อยืนยันว่า ML คือแนวทางที่ถูกต้อง ก่อนอื่นให้ยืนยันว่าเนื้อหาที่ไม่ใช่ ML ปัจจุบันของคุณ ให้แก่โซลูชันของคุณ หากไม่ได้ติดตั้งใช้งานโซลูชันที่ไม่ใช่ ML ให้ลองแก้ปัญหาด้วยตนเองโดยใช้วิธีการแก้ปัญหาแบบเฮิวริสติก
โซลูชันที่ไม่ใช่ ML คือเกณฑ์มาตรฐานที่คุณจะใช้เพื่อระบุว่า ML เป็น กรณีการใช้งานที่ดีสำหรับปัญหาของคุณ ลองพิจารณาคำถามต่อไปนี้เมื่อเปรียบเทียบแนวทางที่ไม่ใช่ ML กับแนวทาง ML
คุณภาพ คุณคิดว่าโซลูชัน ML จะมีประสิทธิภาพดีกว่ามากน้อยเพียงใด หากคุณ คิดว่าโซลูชัน ML อาจเป็นการปรับปรุงเล็กๆ น้อยๆ ที่อาจบ่งชี้ถึง โซลูชันปัจจุบันเป็นวิธีที่ดีที่สุด
ค่าใช้จ่ายและการบำรุงรักษา โซลูชัน ML มีค่าใช้จ่ายสูงเพียงใดทั้งใน ในระยะสั้นและระยะยาว ในบางกรณี การใช้ ML อาจต้องใช้ทรัพยากรการประมวลผลและเวลามากกว่ามาก ลองพิจารณาคำถามต่อไปนี้
- โซลูชัน ML สนับสนุนต้นทุนที่เพิ่มขึ้นได้ไหม โปรดทราบว่าการปรับปรุงเล็กๆ น้อยๆ ในระบบขนาดใหญ่สามารถอธิบายต้นทุนและการบำรุงรักษาในการติดตั้งใช้งานโซลูชัน ML ได้อย่างง่ายดาย
- โซลูชันต้องมีการบำรุงรักษามากเพียงใด ในหลายกรณี การใช้งาน ML ต้องได้รับการบำรุงรักษาระยะยาวโดยเฉพาะ
- ผลิตภัณฑ์ของคุณมีทรัพยากรที่จะสนับสนุนการฝึกอบรมหรือการว่าจ้างหรือไม่ ที่มีความเชี่ยวชาญด้าน ML
ทดสอบความเข้าใจ
ML และข้อมูลการคาดการณ์
ข้อมูลคือแรงขับเคลื่อนของ ML แบบคาดการณ์ เพื่อชดเชย การคาดการณ์ คุณต้องมีข้อมูล มีฟีเจอร์ที่มีการคาดการณ์ ขั้นสูง ข้อมูลของคุณควรมีลักษณะต่อไปนี้
มีมาก ยิ่งมีตัวอย่างที่เกี่ยวข้องและมีประโยชน์ในชุดข้อมูลมากเท่าไร โมเดลก็จะยิ่งมีประสิทธิภาพมากขึ้นเท่านั้น
มีความสม่ำเสมอและเชื่อถือได้ การมีข้อมูลที่สอดคล้องกันและเชื่อถือได้ ที่รวบรวมจะให้โมเดลดีขึ้น เช่น สภาพอากาศที่อิงตาม ML โมเดลจะได้ประโยชน์จากข้อมูลที่รวบรวมในช่วงเวลาหลายปีที่ผ่านมาจาก เครื่องดนตรีชนิดนี้
เชื่อถือได้ ทำความเข้าใจว่าข้อมูลของคุณมาจากที่ใด ข้อมูลจะ จากแหล่งที่มาที่เชื่อถือได้ซึ่งคุณควบคุม เช่น บันทึกจากผลิตภัณฑ์ของคุณ หรือจะเป็น จากแหล่งที่มาที่คุณไม่มีข้อมูลเชิงลึกมากนัก เช่น เอาต์พุตจากแหล่งข้อมูลอื่น ระบบ ML ได้ไหม
พร้อมใช้งาน ตรวจสอบว่าอินพุตทั้งหมดพร้อมใช้งานในเวลาการคาดการณ์ในรูปแบบที่ถูกต้อง หากรับค่าฟีเจอร์บางอย่างได้ยากเมื่อถึงเวลาทำนาย ให้ละเว้นฟีเจอร์เหล่านั้นจากชุดข้อมูล
ถูกต้อง ในชุดข้อมูลขนาดใหญ่ ป้ายกํากับบางรายการจะมีค่าที่ไม่ถูกต้องอยู่บ้าง แต่หากป้ายกํากับมากกว่า 1-2 เปอร์เซ็นต์ไม่ถูกต้อง โมเดลจะทําการคาดการณ์ได้ไม่ดี
เป็นตัวแทน ชุดข้อมูลควรเป็นตัวแทนของชีวิตจริงมากที่สุด กล่าวคือ ชุดข้อมูลควรแสดงเหตุการณ์ พฤติกรรมของผู้ใช้ และ/หรือปรากฏการณ์ในชีวิตจริงที่จำลองได้อย่างถูกต้อง การฝึกชุดข้อมูลที่ไม่เป็นตัวแทนอาจทําให้ประสิทธิภาพไม่ดี เมื่อระบบขอให้โมเดลทำการคาดการณ์จริง
หากไม่สามารถรับข้อมูลที่จําเป็นในรูปแบบที่จําเป็นได้ โมเดลจะทําการคาดการณ์ได้ไม่ดี
พลังในการคาดการณ์
เพื่อให้โมเดลคาดการณ์ได้ดี ฟีเจอร์ในชุดข้อมูลของคุณควรมี ความสามารถในการคาดการณ์ ยิ่งฟีเจอร์สัมพันธ์กับป้ายกำกับมากเท่าใด ก็ยิ่งมีแนวโน้มมากขึ้น ก็คือการคาดการณ์
ฟีเจอร์บางอย่างจะมีความแม่นยำในการคาดการณ์มากกว่าฟีเจอร์อื่นๆ ตัวอย่างเช่น ใน
ชุดข้อมูลสภาพอากาศ ฟีเจอร์ต่างๆ เช่น cloud_coverage, temperature และ
dew_point น่าจะพยากรณ์ฝนได้ดีกว่า moon_phase หรือ
day_of_week สำหรับตัวอย่างแอปวิดีโอ คุณสามารถตั้งสมมติฐานว่าฟีเจอร์ต่างๆ
เช่น video_description, length และ views อาจเป็นตัวคาดการณ์ที่ดีสำหรับ
ที่ผู้ใช้จะต้องการชม
โปรดทราบว่าความสามารถในการคาดการณ์ของฟีเจอร์อาจเปลี่ยนแปลงได้เนื่องจากบริบทหรือโดเมนมีการเปลี่ยนแปลง เช่น ในแอปวิดีโอ ฟีเจอร์อย่าง upload_date
มักมีความสัมพันธ์กับป้ายกำกับเล็กน้อย อย่างไรก็ตาม ใน
โดเมนย่อยของวิดีโอการเล่นเกม upload_date อาจเกี่ยวข้องอย่างมากกับ
ป้ายกำกับ
การพิจารณาว่าฟีเจอร์ใดมีความสามารถในการคาดการณ์อาจใช้เวลานาน คุณสามารถสำรวจความสามารถในการคาดการณ์ของฟีเจอร์ด้วยตนเองโดยการนําออกและเพิ่มฟีเจอร์ขณะฝึกโมเดล คุณสามารถค้นหาความสามารถในการคาดการณ์ของฟีเจอร์โดยอัตโนมัติได้โดยใช้อัลกอริทึมต่างๆ เช่น Pearson correlation, Adjusted mutual information (AMI) และ Shapley value ซึ่งจะให้การประเมินเชิงตัวเลขสําหรับการวิเคราะห์ความสามารถในการคาดการณ์ของฟีเจอร์
ทดสอบความเข้าใจ
ดูคําแนะนําเพิ่มเติมเกี่ยวกับการวิเคราะห์และเตรียมชุดข้อมูลได้ที่การเตรียมข้อมูลและการสร้างฟีเจอร์สําหรับแมชชีนเลิร์นนิง
การคาดการณ์และการกระทำ
การคาดการณ์จะไร้ประโยชน์หากเปลี่ยนการคาดการณ์เป็นการดำเนินการที่เป็นประโยชน์ต่อผู้ใช้ไม่ได้ กล่าวคือ ผลิตภัณฑ์ควรดําเนินการจากเอาต์พุตของโมเดล
เช่น โมเดลที่คาดการณ์ว่าผู้ใช้จะพบว่าวิดีโอมีประโยชน์หรือไม่ ควรส่งไปยังแอปที่แนะนำวิดีโอที่มีประโยชน์ โมเดลที่คาดการณ์ว่าฝนจะตกหรือไม่ควรส่งไปยังแอปพยากรณ์อากาศ
ทดสอบความเข้าใจ
พิจารณาจากสถานการณ์ต่อไปนี้ว่าการใช้ ML เป็นแนวทางแก้ปัญหาที่ดีที่สุดหรือไม่
ทีมวิศวกรในองค์กรขนาดใหญ่มีหน้าที่จัดการ สายเรียกเข้า
เป้าหมาย: เพื่อแจ้งผู้โทรทราบถึงระยะเวลาที่จะต้องถือสายรอ ระดับเสียงของการโทรปัจจุบัน
พวกเขายังไม่มีโซลูชันที่พร้อมใช้ แต่พวกเขาคิดว่าการเรียนรู้แบบฮิวริสติก จะหารค่าปัจจุบัน จำนวนลูกค้าที่รอสาย ตามจำนวนพนักงานที่รับโทรศัพท์ แล้วคูณด้วย 10 นาที อย่างไรก็ตาม พวกเขารู้ว่าลูกค้าบางรายแก้ไขปัญหาได้ใน 2 นาที ขณะที่รายการอื่นๆ อาจใช้เวลานานถึง 45 นาที
การเรียนรู้ของพวกเขาอาจไม่ได้แสดงจำนวนที่ถูกต้องแม่นยำมากพอ โดยสามารถสร้างชุดข้อมูลที่มีคอลัมน์ต่อไปนี้ได้
number_of_callcenter_phones, user_issue,
time_to_resolve, call_time,
time_on_hold
time_on_hold