Zpětná vazba, přetrénování a označování

Strojové učení od začátku do konce

Joshua Stapleton

Machine Learning Engineer

Zpětná vazba

  • Výstup modelu jako vstup systému:
    • Metriky/predikce informují vývoj systému
    • Lze využít monitoring modelu

 

  • Nedílná součást ML:
    • Umožňuje rychlé učení a přizpůsobení
    • Lepší reakce na změny

Dvě cyklické šipky znázorňující princip zpětné vazby

Strojové učení od začátku do konce

Implementace zpětné vazby

Detekce datového driftu

  • Distribuce vstupních dat se mění v čase
  • Zpětná vazba: přetrénování na novějších datech

Online učení

  • Pravidelné přetrénování na základě měnících se dat
  • Nad rámec driftu: přizpůsobuje se změnám struktury dat

Datový drift

Online učení

Strojové učení od začátku do konce

Rizika zpětné vazby

Rizika...

  • Výstupy modelu ovlivňují vstupy
  • Např. doporučení na sociálních sítích:
    • Maximalizace angažovanosti uživatelů
    • Naučí se zobrazovat určitý typ obsahu
    • Uživatel sleduje stále více tohoto obsahu
    • atd.
  • Vyvíjí nežádoucí behaviorální vzorce
  • Nebezpečnější při automatizaci

Velký červený křížek pro nebezpečí

Strojové učení od začátku do konce

Lepší využití zpětné vazby

  • Reaktivní:

    • Člověk v procesu
    • Predikce modelu nemění vstupní data

  • Opatrnost a dohled jsou klíčové!

Velký zelený fajfka pro lepší využití

Strojové učení od začátku do konce

Pojďme si procvičit!

Strojové učení od začátku do konce

Preparing Video For Download...