Überblick
- Ein maschinelles Lernsystem besteht aus mehreren grundlegenden Komponenten, die verwaltet werden müssen
- Erfahren Sie mehr über die drei wichtigsten Bausteine des maschinellen Lernens, mit denen Sie als Data Scientist arbeiten werden
Einführung
Wie funktioniert ein Machine-Learning-Projekt? Was sind die verschiedenen Bausteine, die bei der Erstellung eines Systems für maschinelles Lernen oder künstliche Intelligenz verwendet werden? (ER)? Dies ist ein Problem, mit dem ich persönlich in meinen frühen Tagen auf dem Platz zu kämpfen hatte..
Er wusste, wie man Modelle für maschinelles Lernen erstellt, Aber ich hatte keine Ahnung, wie ein reales Machine-Learning-Projekt tatsächlich funktionierte. Es war eine große Offenbarung, als ich den Prozess durchlief!! Und mit der Zeit, Ich habe gesehen, wie die meisten Anfänger in den Bereichen Data Science und maschinelles Lernen Schwierigkeiten hatten, die Nuancen eines maschinellen Lernsystems zu verstehen.
Erinnern: Es geht nicht nur darum, Modelle zu bauen! Es ist VIEL erforderlich, um ein erfolgreiches System für maschinelles Lernen und künstliche Intelligenz zu erstellen. Es ist eine Verschmelzung von Hard- und Software, unter anderem. Dann, die Frage ist: Was sind die wichtigsten Bausteine, die ein erfolgreiches Machine-Learning-System ausmachen?
Das werden wir in diesem Artikel ausführlich behandeln.. Ich gebe Ihnen einen Überblick über diese verschiedenen Komponenten in einem System für maschinelles Lernen oder künstliche Intelligenz., und dann werden wir diese Komponenten mit Hilfe eines autonomen Autos verstehen.
Dieser Artikel und die Konzepte, die wir behandeln werden, sind Teil des kostenlosen Programms ‚Einführung in KI und maschinelles Lernen‚ Kurs. Ich empfehle dringend, es auszuprobieren: Es ist ein großartiger Ort, um sich mit den verschiedenen Konzepten der künstlichen Intelligenz und des maschinellen Lernens vertraut zu machen.
Und die drei Grundpfeiler des maschinellen Lernens sind:
- Baustein für maschinelles Lernen n. ° 1: Eingang erfassen
- Baustein für maschinelles Lernen n. ° 2: Datenverarbeitung und -speicherung
- Baustein für maschinelles Lernen n. ° 3: Einheit des Ergebnisses oder der Interaktion
Baustein für maschinelles Lernen n. ° 1: Eingang erfassen
Wie erwartet, Jedes maschinelle Lernsystem benötigt eine große Datenmenge, um zu funktionieren. Als letztes, Treffen Sie Entscheidungen auf der Grundlage der von Ihnen erfassten Daten. Und Sie müssen Daten über die Umgebung erfassen, in der Sie sich befinden, Umweltbedingungen, Benutzereingaben, etc.
Deswegen, Der erste Baustein eines jeden Systems für künstliche Intelligenz oder maschinelles Lernen ist die Art und Weise, wie es erfasst und in das System eindringt..
Dann, Wie sieht dieser Eintrag aus? Dazu können verschiedene Sensoren gehören, z. B. eine Kamera, die Bilder aufnimmt, GPS-Standort, Benutzereingaben von mobilen Apps, etc. So wählen Sie die richtigen Einträge aus, Diese Schlüsselfragen müssen wir uns stellen:
- Welche Daten müssen wir erfassen?
- Wie oft müssen wir diese Daten erfassen??
- Wie schnell würden diese Daten fließen??
- Wie kann man diese Daten am besten erfassen??
Manchmal, Es gäbe mehrere Möglichkeiten, die gleichen Daten zu erfassen. Zum Beispiel, Sie können sich darauf verlassen, dass die Sensoren Ihres Autos Wetterinformationen erfassen, oder Sie können sie basierend auf den GPS-Koordinaten Ihres Autos direkt aus dem Internet abrufen.
Es kann sinnvoll sein, die Vor- und Nachteile verschiedener Arten der Datenerfassung abzuwägen, bevor Sie sich entscheiden, welche Sie bevorzugen..
Baustein für maschinelles Lernen n. ° 2: Datenverarbeitung und -speicherung (Edge und Cloud)
Sobald wir diese Daten von den Eingabeeinheiten erfasst haben, wir müssen sie speichern oder Berechnungen darauf ausführen. Das ist im Grunde die Entscheidung, auf die es ankommt, wenn wir an einem Machine-Learning-Projekt!
Beide (Verarbeitung oder Speicherung) kann in dem System auftreten, das normalerweise genannt wird „KI am Rande“ oder sie können in der Cloud passieren. Nochmal, wir haben einige optionen vor uns. Wir müssen uns entscheiden:
- Welche Daten würden am Edge gespeichert?
- Welche Berechnungen würden am Rand auftreten? Hier, würde normalerweise Einschränkungen in der Computerumgebung haben (Creme, Nicht jeder hat die unbegrenzten Rechenressourcen von Google!!)
- Was würde in der Cloud passieren??
Wie gewöhnlich, wenn eine kritische Operation auftreten sollte, auch ohne Internetverbindung oder Systemupdate, sollte immer am Rand auftreten.
Dazu gehören Dinge wie spontane Entscheidungen, Warnungen oder jede andere Form der Überwachung, die Sie auf dem Gerät wünschen. Die umfassendste Datenspeicherung und -berechnung erfolgt in der Cloud. Hier wenden Data Scientists häufig verschiedene Techniken des maschinellen Lernens an, um das System zu verbessern.. Alle unsere Data Lakes, Data Warehouse, etc. normalerweise wären sie auch in der Cloud.
Baustein für maschinelles Lernen n. ° 3: Einheit des Ergebnisses oder der Interaktion
Schließlich, In einem erfolgreichen System für künstliche Intelligenz oder maschinelles Lernen gäbe es eine Ausgabe- oder Interaktionseinheit. Dies ist die Einheit, in der das maschinelle Lernsystem mit dem äußeren Universum interagieren und handeln würde.
Dies könnte in Bildschirmform sein, Sprachausgabe oder informelle Roboteraktionen. Wie gewöhnlich, die Ausgabe unseres maschinellen Lernsystems würde auch verschiedene Designüberlegungen haben.
Zum Beispiel, wenn ein Fahrzeug die Umgebung nicht sicher erkennen oder lesen kann, Wichtige Fragen müssen beantwortet werden:
- Was soll das System tun??
- Soll es zuerst aufhören oder den Benutzer warnen??
- Wie oft und welche Details sollten Sie dem Benutzer mitteilen?
Estas son algunas de las preguntas centrales que se consideran comúnmente en la Ausgabe-LayerDas "Ausgabe-Layer" ist ein Konzept, das im Bereich der Informationstechnologie und des Systemdesigns verwendet wird. Es bezieht sich auf die letzte Schicht eines Softwaremodells oder einer Architektur, die für die Präsentation der Ergebnisse für den Endbenutzer verantwortlich ist. Diese Schicht ist entscheidend für die Benutzererfahrung, Da es eine direkte Interaktion mit dem System und die Visualisierung der verarbeiteten Daten ermöglicht.... de cualquier sistema de aprendizaje automático.
Fallstudie: Bausteine für ein autonomes Auto
Jetzt, Nehmen wir ein Beispiel für ein selbstfahrendes Auto und schauen uns jeden dieser Bausteine genauer an.. Dies wird Ihnen helfen, ein praktischeres Verständnis dafür zu erlangen, wie ein System für maschinelles Lernen oder künstliche Intelligenz in der realen Welt funktioniert..
Dann, Was wäre der erste Baustein oder die erste Komponente??
Du hast es erraten, Eintrag! Testen Sie das autonome Auto von drive.ai:
Wie Sie hier sehen können, Dieses autonome Fahrzeug verfügt über viele Sensoren, die als Input für das Machine-Learning-System dienen. Sie können diese Sensoren oben am Auto sehen (In Farbe Blau). Diese werden LiDAR oder Light Sensing and Range genannt. neben diesen, es gibt andere Sensoren, die mehr Informationen wie das Wetter erfassen, Hindernisse im und um das Auto, Spurerkennung, etc.
Dann ist da noch die Berechnung und Speicherung im Auto selbst, damit Sie Entscheidungen treffen können wie:
- Wie viel fahren??
- Wie schnell läuft man?
- Was sind die Hindernisse im Weg?
- Wie man mit diesen Hindernissen umgeht?
Es gibt auch eine Cloud-Computing- und Speicherschicht, die für die Verbesserung des Fahralgorithmus im Laufe der Zeit verantwortlich ist.
Und schlussendlich, Ich würde verschiedene Ausgabekomponenten als Bildschirm sehen, um den Leuten um das Auto herum Nachrichten zu zeigen. Es gibt auch die Aktion, die der Roboterprozess ausführt, um das Fahrzeug vorwärts zu bewegen.. Hier ist eine Illustration der verschiedenen Schichten, die in dieser Phase erforderlich sind:
Es gibt viele andere praktische Aspekte, die erforderlich sind, um ein erfolgreiches autonomes Auto zu entwickeln. Aber ich wollte dieses Beispiel nehmen, um Ihnen zu zeigen, wie die allgemeine Idee hinter einem realen Machine-Learning-System funktioniert und welche Schlüsselbausteine für dessen Ausführung erforderlich sind..
Abschließende Anmerkungen
Ziemlich faszinierend, Wahrheit? Wie ich bereits gesagt habe, Bei einem Machine-Learning-Projekt geht es nicht nur um das Erstellen von Modellen. Es gibt noch viel mehr, was die meisten Data Science-Enthusiasten nicht wissen. Dieses Praxiswissen ist notwendig, wenn Sie eine Stelle als Fachkraft für maschinelles Lernen anstreben.
Hier hast du eine Herausforderung. Jetzt, wo Sie die verschiedenen Komponenten eines autonomen Autos verstehen, Sie sind an der Reihe, die Komponenten eines intelligenten Staubsaugers zu entwerfen, der den Boden selbstständig navigieren und den Bereich reinigen kann, durch den er sich bewegt. Viel Spaß beim Bauen!
Und wenn Sie Fragen oder Gedanken zu diesem Artikel haben, Ich würde es lieben von Dir zu hören.
