Data-Centric Approach vs Model-Centric Approach in Machine Learning (ตอนที่ 2) 》》》
โดย Harshil Patel
■ ความต้องการโครงสร้างพื้นฐาน data-centric 》》》
Model-centric ML หมายถึงระบบ ML ที่เกี่ยวข้องกับการเพิ่มประสิทธิภาพสถาปัตยกรรมแบบจําลองและพารามิเตอร์เป็นหลัก
กระบวนการ Model-centric ที่แสดงในภาพเหมาะสําหรับบางอุตสาหกรรม เช่น สื่อและการโฆษณา แต่ถ้าเป็นเรื่องการดูแลสุขภาพหรือการผลิต อาจเผชิญกับความท้าทาย เช่น:
1. จําเป็นต้องมีการปรับแต่งในระดับสูง 》》》
สิ่งที่แตกต่างจากอุตสาหกรรมสื่อและการโฆษณา ธุรกิจการผลิตที่มีสินค้าหลายรายการไม่สามารถใช้ระบบ ML ระบบเดียวเพื่อตรวจจับความผิดพลาดในการผลิตในผลิตภัณฑ์ทั้งหมดได้ ผลิตภัณฑ์ที่ผลิตแต่ละชิ้นจะต้องมีแบบจำลอง ML ที่ผ่านการฝึกอบรมมาอย่างชัดเจน
ในขณะที่บริษัทสื่อสามารถที่จะมีแผนก ML ที่ทํางานเกี่ยวกับแต่ละเรื่องและปัญหาการเพิ่มประสิทธิภาพเล็กๆ น้อยๆ แต่ละอย่าง ธุรกิจการผลิตที่ต้องใช้กระบวนการแก้ปัญหา ML หลายอย่างไม่สามารถทําตาม template ดังกล่าวในแง่ของขนาดได้
2. ความสําคัญของชุดข้อมูลขนาดใหญ่ 》》》
ในกรณีส่วนใหญ่ บริษัทต่างๆ ไม่มีจุดข้อมูลจํานวนมากที่จะทํางานด้วย แต่ต้องจัดการกับชุดข้อมูลขนาดเล็กซึ่งมีแนวโน้มที่จะได้ผลลัพธ์ที่น่าผิดหวังถ้าใช้ model-centric
Andrew NG อธิบายว่าเขาเชื่อว่า data-centric ML นั้นคุ้มค่ากว่า และสนับสนุนการปฏิรูปไปสู่การยึดข้อมูลเป็นศูนย์กลาง เขายกตัวอย่างปัญหาการตรวจจับข้อบกพร่องของเหล็ก ซึ่ง model-centric approach ล้มเหลวในการปรับปรุงความแม่นยําของแบบจําลอง ในขณะที่ data-centric approach ช่วยเพิ่มความแม่นยําได้ถึง 16%
ข้อมูลมีความสําคัญอย่างยิ่งในการวิจัย AI และการใช้กลยุทธ์ที่จัดลําดับความสําคัญของการรับข้อมูลคุณภาพสูงเป็นสิ่งสําคัญ - ท้ายที่สุดข้อมูลที่เกี่ยวข้องไม่เพียงแต่หายากและไม่มีความหมาย แต่ยังมีราคาแพงมากในการได้มา แนวคิดก็คือ AI ควรได้รับการปฏิบัติในลักษณะเดียวกับที่เราจะดูแลวัสดุอย่างดีที่สุดในขณะที่สร้างบ้าน ข้อมูลควรได้รับการประเมินในแต่ละระดับมากกว่าที่จะเป็นเหตุการณ์ที่เกิดขึ้นครั้งเดียว
#DataCentric #ModelCentric #machinelearning #artificialintelligence #code #data
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
