Blocs de construction d'apprentissage automatique | Composants ML

Contenu

Vue d'ensemble

  • Un système d'apprentissage automatique se compose de plusieurs composants de base qui doivent être gérés
  • Découvrez les trois éléments clés de l'apprentissage automatique avec lesquels vous travaillerez en tant que data scientist

introduction

Comment fonctionne un projet de machine learning? Quels sont les différents éléments constitutifs de la création d'un système d'apprentissage automatique ou d'intelligence artificielle ? (IL)? C'est un problème avec lequel j'ai personnellement lutté pendant mes premiers jours sur le terrain..

Il savait créer des modèles d'apprentissage automatique, mais je n'avais aucune idée de la façon dont un projet d'apprentissage automatique du monde réel fonctionnait réellement. Ce fut une grande révélation lorsque je suis passé par le processus!! Et avec le temps, J'ai vu la plupart des débutants en science des données et en apprentissage automatique avoir du mal à comprendre les nuances d'un système d'apprentissage automatique.

Rappelles toi: Il ne s'agit pas seulement de construire des modèles! Il faut BEAUCOUP pour créer un système d'apprentissage automatique et d'intelligence artificielle réussi. C'est une fusion de matériel et de logiciel, entre autres choses. Ensuite, la question est: Quels sont les éléments constitutifs clés d'un système d'apprentissage automatique réussi?

building_blocks_machine_learning-4704017

C'est ce que nous allons détailler dans cet article.. Je vais vous donner un aperçu de ces différents composants dans un système de machine learning ou d'intelligence artificielle., et ensuite nous comprendrons ces composants à l'aide d'une voiture autonome.

Cet article et les concepts que nous aborderons font partie du programme gratuit ‘Introduction à l'IA et à l'apprentissage automatique‘ cours. Je recommande fortement de le vérifier: c'est un endroit idéal pour se familiariser avec les différents concepts de l'intelligence artificielle et de l'apprentissage automatique.

Et les trois piliers fondamentaux de l'apprentissage automatique sont:

  • Bloc de construction d'apprentissage automatique n. ° 1: saisir l'entrée
  • Bloc de construction d'apprentissage automatique n. ° 2: traitement et stockage des données
  • Bloc de construction d'apprentissage automatique n. ° 3: unité de résultat ou d'interaction

Bloc de construction d'apprentissage automatique n. ° 1: saisir l'entrée

Comme prévu, chaque système d'apprentissage automatique a besoin d'une grande quantité de données pour fonctionner. En dernier recours, prendre des décisions en fonction des données que vous capturez. Et vous devez capturer des données sur l'environnement dans lequel vous vous trouvez, Conditions environnementales, entrées utilisateur, etc.

Donc, le premier élément constitutif de tout système d'intelligence artificielle ou d'apprentissage automatique est la façon dont il capture et pénètre dans le système.

Ensuite, A quoi ressemble cette entrée? Cela pourrait inclure divers capteurs tels qu'une caméra qui capture des images, Localisation GPS, entrées d'utilisateurs à partir d'applications mobiles, etc. Pour sélectionner les entrées correctes, nous devons nous poser ces questions clés:

  • Quelles données devons-nous capturer?
  • À quelle fréquence devons-nous capturer ces données?
  • À quelle vitesse ces données circuleraient-elles?
  • Quelle pourrait être la meilleure façon de capturer ces données?

Parfois, il y aurait plusieurs façons de capturer les mêmes données. Par exemple, vous pouvez compter sur les capteurs de votre voiture pour capturer les informations météorologiques, ou vous pouvez les extraire directement d'Internet en fonction des coordonnées GPS de votre voiture.

Il peut être judicieux de peser le pour et le contre des différentes méthodes de capture de données avant de décider laquelle vous préférez..

Bloc de construction d'apprentissage automatique n. ° 2: traitement et stockage des données (Bord et nuage)

Une fois que nous avons capturé ces données à partir des unités d'entrée, nous aurons besoin de les stocker ou d'exécuter des calculs sur eux. C'est essentiellement le choix qui se pose lorsque nous travaillons sur un projet d'apprentissage automatique!

Les deux (traitement ou stockage) peut se produire dans le système normalement appelé “L'IA à la pointe” ou ils peuvent se produire dans le cloud. Encore, nous avons des options devant nous. Nous devons décider:

  • Quelles données seraient stockées à la périphérie?
  • Quels calculs se produiraient sur le bord? Ici, aurait normalement des limites dans l'environnement informatique (crème, Tout le monde n'a pas les ressources informatiques illimitées de Google !!)
  • Que se passerait-il dans le cloud?

Comme d'habitude, s'il y a une opération critique qui devrait se produire, même s'il n'y a pas de connexion Internet ou de mise à jour du système, devrait toujours se produire sur le bord.

Ceux-ci incluraient des choses comme des décisions à la volée, alertes ou toute autre forme de surveillance que vous souhaitez sur l'appareil. Le stockage de données et les calculs les plus complets sont effectués dans le cloud. C'est là que les scientifiques des données appliquent souvent diverses techniques d'apprentissage automatique pour améliorer le système.. Tous nos lacs de données, entrepôts de données, etc. normalement, ils seraient également dans le cloud.

Bloc de construction d'apprentissage automatique n. ° 3: unité de résultat ou d'interaction

Finalement, il y aurait une unité de sortie ou d'interaction dans un système d'intelligence artificielle ou d'apprentissage automatique réussi. C'est l'unité dans laquelle le système d'apprentissage automatique interagirait avec l'univers extérieur et agirait.

Cela peut être sous forme d'écran, sortie vocale ou actions robotiques informelles. Comme d'habitude, la sortie de notre système d'apprentissage automatique aurait également diverses considérations de conception.

Par exemple, si un véhicule ne peut pas décider ou lire l'environnement avec certitude, il faut répondre à des questions clés:

  • Que doit faire le système?
  • Doit-il s'arrêter en premier ou doit-il alerter l'utilisateur?
  • À quelle fréquence et quels détails devez-vous communiquer à l'utilisateur?

Estas son algunas de las preguntas centrales que se consideran comúnmente en la Couche de sortie de cualquier sistema de aprendizaje automático.

Étude de cas: blocs de construction pour une voiture autonome

À présent, Prenons l'exemple d'une voiture autonome et examinons plus en détail chacun de ces éléments constitutifs.. Cela vous aidera à mieux comprendre le fonctionnement d'un système d'apprentissage automatique ou d'intelligence artificielle dans le monde réel..

Ensuite, Quel serait le premier bloc de construction ou composant?

Tu l'as deviné, entrée! Découvrez la voiture autonome de drive.ai:

machine_learning_building_blocks_car-9977205

Comme vous pouvez le voir ici, ce véhicule autonome possède de nombreux capteurs qui servent d'entrée au système d'apprentissage automatique. Vous pouvez voir ces capteurs sur le dessus de la voiture (En couleur bleu). Ceux-ci sont appelés LiDAR ou détection de la lumière et portée. Outre ces, il existe d'autres capteurs qui capturent plus d'informations telles que la météo, obstacles dans et autour de la voiture, détection de voie, etc.

self-driving_car_machine_learning-4209854

Ensuite, il y a le calcul et le stockage dans la voiture elle-même, vous permettant de prendre des décisions comme:

  • Combien conduire?
  • À quelle vitesse courir?
  • Quels sont les obstacles sur le chemin?
  • Comment gérer ces obstacles?

Il existe également une couche de cloud computing et de stockage, qui est responsable de l'amélioration de l'algorithme de conduite au fil du temps.

Et finalement, Je verrais divers composants de sortie comme un écran pour afficher des messages aux personnes autour de la voiture. Il y a aussi l'action prise par le processus robotique pour propulser le véhicule vers l'avant.. Voici une illustration des différentes couches nécessaires à ce stade:

building_blocks_ml-2650485

Il existe de nombreux autres aspects pratiques nécessaires pour créer une voiture autonome réussie. Mais je voulais prendre cet exemple pour vous montrer comment fonctionne l'idée générale derrière un système d'apprentissage automatique du monde réel et les blocs de construction clés nécessaires pour l'exécuter..

Remarques finales

Assez fascinant, vérité? Comme je l'ai dit plus tôt, un projet d'apprentissage automatique ne consiste pas seulement à créer des modèles. Il y a beaucoup plus que la plupart des passionnés de science des données ne connaissent pas. Ces connaissances pratiques sont nécessaires si vous souhaitez obtenir un poste de spécialiste en machine learning.

Ici vous avez un défi. Maintenant que vous comprenez les différents composants d'une voiture autonome, c'est à votre tour de concevoir les composants d'un aspirateur intelligent qui peut naviguer seul sur le sol et nettoyer la zone qu'il traverse. Amusez-vous à le construire!

Et si vous avez des questions ou des réflexions sur cet article, j'aimerais avoir de tes nouvelles.

Abonnez-vous à notre newsletter

Nous ne vous enverrons pas de courrier SPAM. Nous le détestons autant que vous.