Modele de degrade homme

Modele de degrade homme

8 months ago 0 181

Bien que le déploiement d`un modèle de machine learning pour les produits et services soit un domaine jeune et émergent, il existe déjà un certain nombre d`outils pour vous aider. Cependant, les outils ne sont pas les mêmes entreprises utilisent déjà pour leurs projets de logiciels «traditionnels», car ils résolvent différents problèmes. Ces outils sont vaguement décrits comme des plateformes de science des données, bien qu`en 2018, il existe une grande disparité entre les fonctionnalités offertes par ces outils. Comme de plus en plus d`affaires se mouiller les orteils avec l`apprentissage automatique, il est urgent de comprendre comment ils peuvent mieux préparer leurs modèles pour une utilisation comme des produits et des services réels, fiables, évolutifs et sécurisés. Beaucoup trop souvent, les entreprises décrochage quand il s`agit de mise en œuvre parce qu`ils ne savent pas comment, ou n`ont pas prévu pour tous les facteurs impliqués dans le déploiement réel de leurs modèles. Cependant, avec un meilleur savoir-faire et les bons outils, rien ne vous retient du succès. L`intrigue ci-dessous est de Nissan Leafs fabriqués au Royaume-Uni, 2013 modèles 24kWh, grâce à http://speakev.com utilisateurs du Forum et via Simon Canfer. Pourquoi le développement de modèle n`est pas égal développement de logiciel. Contrairement à la plupart des choses, il est plus facile de commencer avec l`apprentissage automatique que de continuer à y aller.

En fait, la construction d`un modèle de machine learning n`est vraiment pas trop difficile, tout chercheur de données Junior ou développeur peut le faire avec un bon ensemble de données de formation et les bons outils. La partie la plus difficile de l`apprentissage automatique est en fait le déploiement et le maintien de modèles précis, car il nécessite un accès constant à de nouvelles données pour les mettre à jour et améliorer leur exactitude. Dans de nombreux scénarios, ces données ne peuvent venir qu`une fois que les modèles initiaux ont fait leur chemin entre les mains des clients. Alors, à quelle fréquence les modèles devraient-ils être réformés? Cela dépend de ce qu`ils prédisent. Dans des domaines comme la cybersécurité ou le trading en temps réel, par exemple, où le changement est constant, les modèles peuvent devoir être mis à jour en continu. D`autre part, la reconnaissance vocale ou d`autres modèles physiques peuvent être réformés moins fréquemment parce que leurs entrées généralement ne changent pas au fil du temps. La plus grande erreur que les gens font en ce qui concerne l`apprentissage machine est de penser que les modèles sont tout comme n`importe quel autre type de logiciel. Une fois qu`un modèle est construit et va vivre, les gens supposent qu`il continuera de travailler comme d`habitude. Cependant, alors que l`apprentissage machine learning est conçu pour être plus intelligent au fil du temps, les modèles se dégraderont en qualité — et rapidement — sans un flux constant de nouvelles données. Connue sous le nom de dérive de concept, cela signifie que les prédictions offertes par les modèles statiques de machine learning deviennent moins précises et moins utiles, au fur et à mesure que le temps passe.