ستساعدك المقالة التالية: استكشاف أنماط التصميم في أنظمة التعلم الآلي لتحسين الأداء وسهولة الاستخدام
أصبح التعلم الآلي في كل مكان ، بفضل التطورات الأخيرة والإصدارات الجديدة. مع تزايد شعبية الذكاء الاصطناعي والتعلم الآلي والطلب على نماذج تعلم الآلة على مستوى الإنتاج ، فإن اكتشاف مشاكل تعلم الآلة وتشكيل حل لها أمر مهم للغاية. أنماط التصميم هي أفضل طريقة لتضييق نطاق الوصول إلى حل لمشكلة متعلقة بتعلم الآلة. تساعد فكرة النمط في تحديد المشكلة وإيجاد حل متعمق لتلك المشكلة يمكن إعادة استخدامه لحل مشكلات مماثلة في أي عدد من المرات.
تقنن أنماط التصميم المعرفة في تعليمات يمكن اتباعها من قبل الممارسين في جميع أنحاء العالم. تُستخدم أنماط تصميم ML المختلفة في مراحل مختلفة من دورة حياة ML. يتم استخدام بعضها في تأطير المشكلة أو تقييم الجدوى أو معالجة مرحلة تطوير نموذج ML أو نشره. في الآونة الأخيرة ، أ Twitter ناقش المستخدم المسمى يوجين يان أنماط التصميم في أنظمة التعلم الآلي في موضوعه. لقد قام بإدراج عدد قليل منهم في تغريدته.
- Cascade: يتضمن Cascade تقسيم مشكلة معقدة إلى مشاكل أبسط ثم استخدام نماذج لاحقة لمعالجة مشاكل أكثر صعوبة أو محددة. المثال الذي تمت مشاركته هو حول Stack Exchange ، وهي منصة مجتمعية عبر الإنترنت ، حول كيفية استخدامهم لسلسلة من الدفاعات ضد البريد العشوائي. وهو يتألف من طبقات حماية متعددة لاكتشاف ومنع نشر البريد العشوائي على نظامهم الأساسي ، حيث تركز كل طبقة على جانب مختلف من اكتشاف البريد العشوائي. خط الدفاع الأول هو عندما ينشر شخص ما بسرعة أكبر من أن يكون ممكنًا بشريًا (خطأ HTTP 429) ، والثاني هو إذا تم القبض على شخص ما عبر regex والقواعد (Heuristics) ، والثالث يكون دقيقًا للغاية بناءً على اختبار الظل (ML). يعمل Cascade بطريقة منهجية وهرمية وبالتالي فهو نهج فعال. تحقق من الموارد هنا.
- إعادة الصياغة – تتضمن إعادة الصياغة إعادة تعريف المشكلة الأصلية لتسهيل حلها. المثال الوارد في التغريدة يدور حول Alibaba ، وهي منصة تجارة إلكترونية كبيرة أعادت صياغة نموذج التوصية المتسلسلة ، مما يساعد على التنبؤ بالعنصر التالي الذي من المحتمل أن يتفاعل معه المستخدم. تحقق من الموارد هنا.
- الإنسان في الحلقة – يتضمن ذلك جمع الملصقات أو التعليقات التوضيحية من المستخدمين أو خدمات التعليقات التوضيحية أو خبراء المجال لتحسين أداء نموذج ML. الأمثلة المذكورة في التغريدة هي Stack Exchange و LinkedIn ، حيث يمكن للمستخدمين الإبلاغ عن منشورات البريد العشوائي. يتيح ذلك للمستخدمين تقديم ملاحظات حول محتوى البريد العشوائي ، والذي يمكن استخدامه لتدريب نماذج ML على اكتشاف البريد العشوائي في المستقبل بشكل أفضل وتصفية الرسائل المسيئة. جتحقق من الموارد هنا.
- زيادة البيانات – يتضمن إنشاء اختلافات تركيبية لبيانات التدريب لزيادة الحجم والتنوع لتحسين قدرة نماذج ML على التعميم وتقليل مخاطر التجهيز الزائد. تم ذكر مثال على DoorDash ، وهي منصة توصيل الطعام ، حيث يتم استخدام زيادة البيانات لمواجهة التحدي المتمثل في التصنيف الدقيق ووضع علامات على عناصر القائمة الجديدة التي تحتوي على بيانات محدودة أو لا تتوفر على الإطلاق لتدريب نموذج. تحقق من الموارد هنا.
- حذافة البيانات – إنها حلقة ردود فعل إيجابية حيث يؤدي جمع المزيد من البيانات إلى تحسين نماذج ML مما يؤدي إلى المزيد من المستخدمين والبيانات. تمت مشاركة مثال Tesla لأنه يجمع البيانات من سياراتها ، مثل بيانات المستشعر ومقاييس الأداء وأنماط الاستخدام. تُستخدم هذه البيانات لتحديد وتصنيف الأخطاء التي تساعد في تحسين النماذج المستخدمة لمهام مثل القيادة المستقلة. تحقق من الموارد هنا.
- قواعد العمل: تتضمن إضافة بعض المنطق أو القيود الإضافية لزيادة أو ضبط مخرجات نماذج ML بناءً على معرفة المجال أو متطلبات العمل. Twitter يستخدم نماذج ML للتنبؤ بالمشاركة ، والتي تنظم ظهور التغريدات في الجداول الزمنية. كما تستخدم الأوزان أو القواعد المضبوطة يدويًا كقيود على مخرجات نماذج ML لدمج المعرفة في عملية صنع القرار. تحقق من الموارد هنا.
وبالتالي ، يمكن لأنماط التصميم في أنظمة التعلم الآلي أن تعزز أداء النماذج وموثوقيتها وإمكانية تفسيرها وتساعد في حل التحديات في هذا المجال.
