Feedbackloop, retraining en labeling

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

Feedbackloop

  • Modeluitvoer als systeeminput:
    • Gebruik metrics/voorspellingen om systeemevolutie te sturen
    • Kan modelmonitoring gebruiken

 

  • Integraal onderdeel van ML:
    • Maakt snel leren en bijstellen mogelijk
    • Past beter aan verandering aan

Twee cyclische pijlen die het principe van een feedbackloop tonen

End-to-End Machine Learning

Implementatie van feedbackloops

Detectie van datadrift

  • Invoerdistributie verandert in de tijd
  • Feedbackloop: retrainen op nieuwere data

Online learning

  • Periodiek retrainen bij veranderende data
  • Verder dan datadrift: past zich aan veranderingen in datastructuur aan

Datadrift

Online learning

End-to-End Machine Learning

Gevaren van feedbackloops

Gevaren...

  • Modeluitvoer beïnvloedt input
  • Bijv. socialemedia-aanbevelingen:
    • Maximaliseren van betrokkenheid
    • Leert bepaald type content te tonen
    • Laat gebruiker meer van die content zien
    • enz.
  • Ontwikkelt ongewenste gedragspatronen
  • Gevaarlijker bij automatisering

Een groot rood kruis voor gevaar

End-to-End Machine Learning

Beter gebruik van feedbackloops

  • Reactief:

    • Mens in de lus
    • Modelvoorspellingen veranderen invoerdata niet

  • Voorzichtigheid en toezicht zijn cruciaal!

Een grote groene vink voor beter gebruik

End-to-End Machine Learning

Laten we oefenen!

End-to-End Machine Learning

Preparing Video For Download...