Exploration des modèles de conception dans les systèmes d’apprentissage automatique pour une performance et une convivialité améliorées

Exploration de modèles dans l'apprentissage automatique pour une meilleure performance et convivialité

L’apprentissage automatique est partout, grâce à ses développements récents et à ses nouvelles versions. Avec la popularité croissante de l’IA et de l’apprentissage automatique, ainsi que la demande de modèles d’apprentissage automatique de niveau de production, il est très important de trouver des problèmes d’apprentissage automatique et de constituer une solution pour les résoudre. Les motifs de conception sont le meilleur moyen de trouver une solution à un problème lié à l’apprentissage automatique. L’idée d’un motif permet de définir un problème et de trouver une solution approfondie à ce problème qui peut être réutilisée pour des problèmes similaires un nombre illimité de fois.

Les motifs de conception codifient les connaissances en instructions pouvant être suivies par des praticiens du monde entier. Différents motifs de conception d’apprentissage automatique sont utilisés à différentes étapes du cycle de vie de l’apprentissage automatique. Certains d’entre eux sont utilisés dans la définition du problème, l’évaluation de la faisabilité ou lors du développement ou du déploiement d’un modèle d’apprentissage automatique. Récemment, un utilisateur de Twitter nommé Eugene Yan a discuté des motifs de conception dans les systèmes d’apprentissage automatique dans son fil de discussion. Il en a énuméré quelques-uns dans son tweet.

  1. Cascade : Cascade consiste à diviser un problème complexe en problèmes plus simples, puis à utiliser des modèles successifs pour résoudre des problèmes plus difficiles ou plus spécifiques. L’exemple partagé concerne Stack Exchange, une plateforme communautaire en ligne, et la façon dont ils utilisent une cascade de défenses contre le spam. Il se compose de plusieurs couches de protection pour détecter et empêcher le spam d’être publié sur leur plateforme, chaque couche se concentrant sur un aspect différent de la détection du spam. La première ligne de défense intervient lorsque quelqu’un poste trop rapidement pour être humainement possible (erreur HTTP 429), la deuxième intervient si quelqu’un est pris via regex et règles (heuristiques), et la troisième est extrêmement précise en fonction de tests d’ombre (apprentissage automatique). Cascade fonctionne de manière systématique et hiérarchique et est donc une approche efficace. Découvrez la ressource ici.
  1. Reformulation – La reformulation consiste à redéfinir le problème initial pour le rendre plus facile à résoudre. L’exemple donné dans le tweet concerne Alibaba, une grande plateforme de commerce électronique qui a reformulé le paradigme de la recommandation séquentielle, ce qui permet de prédire le prochain élément avec lequel un utilisateur est susceptible d’interagir. Découvrez la ressource ici.
  1. Human-in-the-loop – Cela consiste à collecter des étiquettes ou des annotations auprès des utilisateurs, des services d’annotation ou des experts du domaine pour améliorer les performances d’un modèle d’apprentissage automatique. Les exemples mentionnés dans le tweet sont Stack Exchange et LinkedIn, où les utilisateurs peuvent signaler des publications de spam. Cela permet aux utilisateurs de fournir des commentaires sur le contenu indésirable, qui peuvent être utilisés pour entraîner des modèles d’apprentissage automatique à détecter le spam à l’avenir et à filtrer les messages offensants. Découvrez la ressource ici.
  1. Augmentation de données – Cela consiste à créer des variations synthétiques des données d’entraînement pour augmenter la taille et la diversité afin d’améliorer la capacité des modèles d’apprentissage automatique à généraliser et à réduire le risque de surajustement. Un exemple de DoorDash, une plateforme de livraison de repas, a été mentionné où l’augmentation de données est utilisée pour résoudre le défi de la catégorisation précise et de l’étiquetage de nouveaux articles de menu qui ont des données limitées ou inexistantes pour l’entraînement d’un modèle. Découvrez la ressource ici.
  1. Data Flywheel – Il s’agit d’une boucle de rétroaction positive où la collecte de plus de données améliore les modèles d’apprentissage automatique, ce qui entraîne plus d’utilisateurs et de données. L’exemple de Tesla a été partagé car il collecte des données à partir de ses voitures, telles que des données de capteurs, des mesures de performance et des schémas d’utilisation. Ces données sont utilisées pour identifier et étiqueter les erreurs qui aident à améliorer les modèles utilisés pour des tâches telles que la conduite autonome. Découvrez la ressource ici.
  1. Règles métier : Il s’agit d’ajouter une logique ou des contraintes supplémentaires pour augmenter ou ajuster la sortie des modèles d’apprentissage automatique en fonction des connaissances du domaine ou des exigences commerciales. Twitter utilise des modèles d’apprentissage automatique pour prédire l’engagement, ce qui régule la visibilité des tweets dans les chronologies. Il utilise également des poids ou des règles ajustés manuellement en tant que contraintes sur la sortie des modèles d’apprentissage automatique pour incorporer des connaissances dans le processus de prise de décision. Découvrez la ressource ici.

En conséquence, les motifs de conception dans les systèmes d’apprentissage automatique peuvent améliorer les performances, la fiabilité et l’interprétabilité des modèles et contribuer à résoudre les défis de ce domaine.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

Comment rester à jour avec les avancées en apprentissage automatique et en vision par ordinateur en 2023?

Êtes-vous submergé par les récents progrès en apprentissage automatique et en vision par ordinateur en tant que prati...

AI

La recherche de Google DeepMind explore le phénomène énigmatique du grokking dans les réseaux neuronaux révéler l'interaction entre la mémorisation et la généralisation.

La théorie traditionnelle de l’apprentissage et de la généralisation des réseaux neuronaux est mise à l’é...

AI

Tendances des startups en intelligence artificielle Aperçus de la dernière sélection de Y Combinator

Y Combinator (YC), l'accélérateur de start-up renommé basé dans la Silicon Valley, a récemment annoncé sa cohorte hiv...

AI

Une approche plus douce de la robotique

Les robots souples passent du laboratoire de recherche au monde réel.

AI

Votre visage pourrait bientôt être votre ticket. Tout le monde ne sourit pas.

L'utilisation de logiciels de reconnaissance faciale pour accélérer l'admission dans des lieux tels que les aéroports...

Apprentissage automatique

Comment construire une IA responsable avec TensorFlow ?

Introduction L’Intelligence Artificielle (IA) est en plein essor, avec des centaines de nouvelles applications,...