Feedback loop การฝึกใหม่ และการติดป้ายข้อมูล

Machine Learning แบบ End-to-End

Joshua Stapleton

Machine Learning Engineer

Feedback loop

  • ผลลัพธ์ของโมเดลถูกใช้เป็น input ของระบบ:
    • ใช้ metrics/predictions เพื่อพัฒนาระบบ
    • สามารถใช้การตรวจสอบโมเดลได้

 

  • เป็นส่วนสำคัญของ ML:
    • ช่วยให้เรียนรู้และปรับตัวได้เร็ว
    • รองรับการเปลี่ยนแปลงได้ดีขึ้น

ลูกศรวนสองอันแสดงหลักการของ feedback loop

Machine Learning แบบ End-to-End

การนำ feedback loop ไปใช้งาน

การตรวจจับ data drift

  • การกระจายของข้อมูล input เปลี่ยนแปลงตามเวลา
  • Feedback loop: ฝึกโมเดลใหม่บนข้อมูลล่าสุด

Online learning

  • ฝึกโมเดลใหม่เป็นระยะตามข้อมูลที่เปลี่ยนไป
  • ไม่ใช่แค่ data drift: ปรับตัวต่อการเปลี่ยนแปลงโครงสร้างข้อมูลด้วย

Data drift

Online Learning

Machine Learning แบบ End-to-End

อันตรายของ feedback loop

อันตราย...

  • ผลลัพธ์ของโมเดลส่งผลต่อ input
  • ตัวอย่าง: การแนะนำเนื้อหาบนโซเชียลมีเดีย:
    • เพิ่ม engagement ของผู้ใช้
    • เรียนรู้ที่จะแสดงเนื้อหาบางประเภท
    • ทำให้ผู้ใช้บริโภคเนื้อหานั้นมากขึ้น
    • และอื่น ๆ
  • เกิดรูปแบบพฤติกรรมที่ไม่พึงประสงค์
  • อันตรายยิ่งขึ้นเมื่อทำงานแบบอัตโนมัติ

เครื่องหมายกากบาทสีแดงแสดงถึงอันตราย

Machine Learning แบบ End-to-End

การใช้ feedback loop อย่างเหมาะสม

  • แบบ Reactive:

    • มีมนุษย์ร่วมในกระบวนการ
    • การทำนายของโมเดลไม่เปลี่ยนข้อมูล input

  • ความระมัดระวังและการกำกับดูแลเป็นสิ่งสำคัญ!

เครื่องหมายถูกสีเขียวแสดงถึงการใช้งานที่ดีกว่า

Machine Learning แบบ End-to-End

มาฝึกกันเถอะ!

Machine Learning แบบ End-to-End

Preparing Video For Download...