Pętla sprzężenia zwrotnego, ponowne uczenie i etykietowanie

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

Pętla sprzężenia zwrotnego

  • Wynik modelu jako wejście systemu:
    • Metryki/predykcje informują o ewolucji systemu
    • Możliwe użycie monitorowania modelu

 

  • Kluczowy element ML:
    • Umożliwia szybkie uczenie i dostosowanie
    • Lepsza adaptacja do zmian

Dwie cykliczne strzałki ilustrujące zasadę pętli sprzężenia zwrotnego

End-to-End Machine Learning

Implementacja pętli sprzężenia zwrotnego

Wykrywanie dryfu danych

  • Rozkład danych wejściowych zmienia się w czasie
  • Pętla sprzężenia zwrotnego: ponowne uczenie na nowszych danych

Uczenie online

  • Okresowe ponowne uczenie na zmieniających się danych
  • Wykracza poza dryfowanie: adaptuje się do zmian w strukturze danych

Dryfowanie danych

Uczenie online

End-to-End Machine Learning

Zagrożenia związane z pętlami sprzężenia zwrotnego

Zagrożenia...

  • Wyniki modelu wpływają na dane wejściowe
  • Np. rekomendacje w mediach społecznościowych:
    • Maksymalizacja zaangażowania użytkownika
    • Model uczy się serwować określony rodzaj treści
    • Użytkownik ogląda coraz więcej takich treści
    • itd.
  • Rozwijają się niepożądane wzorce zachowań
  • Bardziej niebezpieczne przy automatyzacji

Duży czerwony krzyżyk oznaczający zagrożenie

End-to-End Machine Learning

Lepsze wykorzystanie pętli sprzężenia zwrotnego

  • Reaktywne:

    • Człowiek w pętli
    • Predykcje modelu nie zmieniają danych wejściowych

  • Kluczowe są ostrożność i nadzór!

Duży zielony znacznik dla lepszego użycia

End-to-End Machine Learning

Czas na ćwiczenia!

End-to-End Machine Learning

Preparing Video For Download...