Did the machine learning illusion go to your head? You spin up a notebook, clean a fixed set of data, and train a model until the accuracy shines. Confidence grows. The prototype is perfect, and it has excited the stakeholders. “Can this go live?” is the most dangerous question in data science. هذا هو المكان الذي يتم قطع أكبر عدد من المبادرات الإيجابية في وقت مبكر ، أو حتى إلغاءها بشكل كامل ، في العديد من برامج التعلم الآلي.إن تطوير نموذج محمول واحد إلى نظام إنتاج بحرية قابلة للغاية ليس مجرد توسيع نموذجك الإبداعي.هذا يشمل تحول كبير في ممارسات الهندسة. Why Notebook Success Does Not Translate to Production Reality لماذا لا تتجسد نجاح الملفات في الواقع الإنتاجي من المرجح أن تكون اللوحات المرئية مريحة بسبب عدم وجود التردد. البيانات الخاصة بك ثابتة. العالم حولك مغلق. الحوادث الحدود والأخطاء سهلة جدًا للغاية للتأكد. Production removes everything that is comfortable. In reality, information is delayed, fragmented, or distorted. You compete with other high-priority processes, and when errors occur, they affect actual users. One of the riskiest assumptions that leads to team failure is that a model that functioned historically will operate under continuous, concurrent loads in the same manner as it did during an isolated, single prediction in a notebook. Such an experimentation–reality gap is rarely taken seriously until it becomes damaging to the business. The Data Problem Nobody Sees Coming مشكلة البيانات لا أحد يرى يأتي في نموذجك، المعلومات مثالية. في الإنتاج، ومع ذلك، فإن البيانات هي التي تحكم جدول أعمالك. تغييرات الشكل السريع غالبا ما تكون هادئة. القيم تتحرك. نموذج المستخدم. أنت تطبق النماذج التي تم إنشاؤها على البيانات التاريخية، والتي تبدأ في التطور بسرعة عندما تستخدمها في عالم ديناميكي.العديد من الجهات مستعدة للتوسع في حجم البنية التحتية على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة على الشبكة. Accuracy Is Not the Finish Line Accuracy Is Not the Finish Line في الممارسة، جودة التوقيت، والارتباك، والضعف، والتكلفة من النماذج في الضوء هي كل التقييمات التي تعتمد على أداء النماذج. من الممكن أن تعمل مع نموذج شديد، ولكن قد تستغرقك أكثر من ميزانية التفكير في دفع رسوم الضوء.المشكلة هي أن المهندسين أكثر عرضة للخطر من استخدام النماذج الكبيرة والمثيرة للجدل فقط لأنها موجودة.المعدات الصغيرة والمتقدمة بشكل كبير تقريباً هي الخيار الأفضل في الهندسة: أنها أقل تكلفة وأسرع، وتطلب أقل من مراقبة الأطفال. Environment Mismatch and Dependency Chaos الفوضى البيئية و الفوضى المرتبطة في كثير من الأحيان، فإن تطبيقات التطبيقات قد لا تكون متوافقة بسبب عدم التوافقات البيئية.الأشعة البيئية في الإنتاج لا تشبه بيئات الكمبيوتر المحمول بأي شكل من الأشكال.الإصدارات في المكتبات مختلفة.الإسعافات الهندسية ليست متوافقة.الإعدادات النظامية تشير إلى تغيرات جذرية ومثيرة للجدل في الطريقة التي يتم تنفيذ الكود. عندما لا يحافظ فريق العمل على السيطرة الصارمة على البيئة، يظهر الفوضى أثناء التنفيذ. لا تستخدم مجموعة الاختبار لمواجهة التوقعات في وقت واحد. تستمر الخدمات بسهولة. يصبح العملية التخطيطية حجر الزاوية. يجب أن تكون التكوين المهمة. تحتاج إلى نموذجين محمولين بشكل صارم ومترابطين في الحبوب (Docker) لضمان عدم الثقة في التوسع ولكن أيضًا من الوقاية. Scaling ML Is Not the Same as Scaling Software Scaling ML Is Not the Same as Scaling Software يمكن تعديل تطبيقات الويب التقليدية بسهولة من خلال إضافة خادمات إضافية خلف توازن الخصوبة. قد تحتاج النماذج إلى أجهزة خاصة (مثل GPU أو TPU). يمكن أن تزيد استهلاك الذاكرة بشكل طفيف ومتزايد أثناء التفكير. يمكن أن تبطئ أوقات الاستجابة الخاصة بك إلى إخراج، وأعداد العمل الإخراجية في الوقت الحقيقي تتطلب تصميمًا مختلفًا تمامًا عن عملية المجموعات الليلية. لا تعتقد أن التوسع التلقائي في الزاوية سيقوم بتحسين هذه الحواجز تلقائيًا. The Silent Danger of Poor Monitoring المخاطر الغامضة من السيطرة السيئة API and server health are closely monitored by most engineering teams, but model monitoring is often overlooked. This is a critical oversight. عندما تصيب خادم الويب، فإنه يتراجع بصعوبة ويترك الخدمة غير متوفرة. مع نموذج ML، ومع ذلك، قد لا يكون هناك تراجع. التقديرات تراجع ببطء. الارتباك تراجع. المنتج يصبح غير متوازن. نموذجك يتراجع، ويمكنك أن تقرر الانتظار حتى يتساءل العملاء ويدخل الإيرادات لم يدرك ذلك. مراقبة تراجع البيانات وارتباك التقديرات ليست فرصة رائعة، بل هي الطريقة الوحيدة لتحديد ما إذا كان نظامك يعمل فعلا ما تم تصميمه للقيام به. Security and Governance Are Not Afterthoughts Security and Governance Are Not Afterthoughts Security in a prototype notebook is not a concern for some people. However, the work you leave exposed on the open internet may contain valuable intellectual property and highly sensitive information. يعتبر الخاطفون الأهداف المفتوحة فرصة لتدمير النماذج أو تحطيم البيانات التدريبية.لا ينبغي أن تترك الأدوات الأمنية والسياسية لشركائك الهواتف النقالة غير المستخدمين.تأمين الوصول إلى البيانات باستخدام دورات IAM صارمة.تأكد من أن تغييرات النماذج ومسائل البيانات قادرة على التحقق.إلا أن عدم تنفيذ هذه التدابير في البداية سيؤدي إلى إصلاحات أمنية قاسية ومكلفة على المدى الطويل. Treating ML as a Living System Treating ML as a Living System إن أكبر أخطاء MLOps هي أن الهدف هو تطوير. في الواقع، يتم تطويرها يومًا واحدًا. لا يعتبر فريق الهندسة الناجحة التعلم الآلي إصدارًا من البرمجيات ولكن إنسانًا حيًا. تحتاج إلى الاستمرار في إعادة تدريب وتصنيع وتتبع نموذجك عندما تعمل في عالم تتغير. Closing Thoughts إغلاق الأفكار Specifically, the challenge of converting a prototype into production is where machine learning becomes truly feasible, and where many initiatives fail. لا يتعلق الأمر بكونك مبتدئًا بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن بالبلايستيشن.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

تم إنتاج هذا الصوت باللغة الأصلية للقصة!

لماذا سيفشل نموذج ML الخاص بك في الإنتاج (و كيفية إصلاحه)

About Author

تعليقات

شنق العلامات

تم تقديم هذه المقالة في

Related Stories

Best Mobile App Development Companies

How can AR, IoT, Blockchain and Chatbots redefine Customer Experience

Top Industries Which Can Benefit From Augmented Reality App Development

179 Super Compelling HackerNoon Headlines

Best Mobile App Development Companies

How can AR, IoT, Blockchain and Chatbots redefine Customer Experience

Top Industries Which Can Benefit From Augmented Reality App Development

179 Super Compelling HackerNoon Headlines

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps