Feedbackloop, omträning och märkning

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

Feedbackloop

  • Modellens utdata används som systemindata:
    • Mätvärden/prediktioner styr systemets utveckling
    • Kan använda modellövervakning

 

  • Central del av maskininlärning:
    • Möjliggör snabb inlärning och justering
    • Bättre anpassning till förändringar

Två cykliska pilar som illustrerar principen för en feedbackloop

End-to-End Machine Learning

Implementering av feedbackloop

Detektering av datadrift

  • Indatadistributionen förändras över tid
  • Feedbackloop: träna om på nyare data

Onlineinlärning

  • Träna om regelbundet utifrån föränderliga data
  • Utöver datadrift: anpassar sig till förändringar i datastrukturen

Datadrift

Onlineinlärning

End-to-End Machine Learning

Risker med feedbackloopar

Risker...

  • Modellens utdata påverkar indata
  • Exempel: rekommendationer i sociala medier:
    • Maximera användarengagemang
    • Lär sig visa visst typ av innehåll
    • Gör att användaren ser mer av detta innehåll
    • osv.
  • Utvecklar oönskade beteendemönster
  • Mer riskfyllt när det är automatiserat

Ett stort rött kryss för fara

End-to-End Machine Learning

Bättre användning av feedbackloop

  • Reaktiv:

    • Människa i loopen
    • Modellens prediktioner förändrar inte indata

  • Försiktighet och tillsyn är avgörande!

En stor grön bock för bättre användning

End-to-End Machine Learning

Nu kör vi en övning!

End-to-End Machine Learning

Preparing Video For Download...