Elementi costitutivi dell'apprendimento automatico | Componenti ML

Panoramica

• Un sistema di machine learning è costituito da diversi componenti di base che devono essere gestiti
• Scopri i tre elementi chiave del machine learning con cui lavorerai come data scientist

introduzione

Come funziona un progetto di machine learning? Quali sono i diversi elementi costitutivi che contribuiscono alla creazione di un sistema di apprendimento automatico o di intelligenza artificiale? (LUI)? Questo è un problema con cui ho lottato personalmente durante i miei primi giorni in campo..

Sapeva come creare modelli di apprendimento automatico, ma non avevo idea di come funzionasse un vero progetto di machine learning. È stata una grande rivelazione quando sono passato attraverso il processo!! E con il tempo, Ho visto che la maggior parte dei principianti di data science e machine learning faticare a comprendere le sfumature di un sistema di machine learning.

Ricordare: Non si tratta solo di costruire modelli! C'è MOLTO che serve per creare un sistema di intelligenza artificiale e apprendimento automatico di successo. È una fusione di hardware e software, tra l'altro. Quindi, la domanda è: Quali sono gli elementi chiave che costituiscono un sistema di apprendimento automatico di successo??

Questo è ciò che tratteremo in dettaglio in questo articolo.. Ti darò una panoramica di questi diversi componenti in un sistema di apprendimento automatico o intelligenza artificiale., e poi capiremo questi componenti con l'aiuto di un'auto autonoma.

Questo articolo e i concetti che tratteremo fanno parte del programma gratuito ‘Introduzione all'intelligenza artificiale e all'apprendimento automatico‘ corso. Consiglio vivamente di dare un'occhiata: è un ottimo posto per conoscere i vari concetti di intelligenza artificiale e apprendimento automatico.

E i tre pilastri fondamentali del machine learning sono:

• Blocco costitutivo dell'apprendimento automatico n. ° 1: cattura input
• Blocco costitutivo dell'apprendimento automatico n. ° 2: elaborazione e conservazione dei dati
• Blocco costitutivo dell'apprendimento automatico n. ° 3: unità di risultato o interazione

Blocco costitutivo dell'apprendimento automatico n. ° 1: cattura input

Come previsto, ogni sistema di machine learning ha bisogno di una grande quantità di dati per funzionare. Come ultima opzione, prendere decisioni in base ai dati acquisiti. E devi acquisire dati sull'ambiente in cui ti trovi, condizioni ambientali, input dell'utente, eccetera.

Perciò, il primo elemento costitutivo di qualsiasi sistema di intelligenza artificiale o apprendimento automatico è il modo in cui cattura ed entra nel sistema.

Quindi, Come appare questa voce?? Ciò potrebbe includere vari sensori come una fotocamera che acquisisce immagini, Posizione GPS, input dell'utente dalle app mobili, eccetera. Per selezionare le voci corrette, dobbiamo porci queste domande chiave:

• Quali dati dobbiamo acquisire?
• Quante volte abbiamo bisogno di acquisire questi dati?
• Quanto velocemente questo flusso di dati??
• Quale potrebbe essere il modo migliore per acquisire questi dati?

Qualche volta, ci sarebbero diversi modi per acquisire gli stessi dati. Ad esempio, puoi fare affidamento sui sensori della tua auto per acquisire informazioni meteorologiche, oppure puoi estrarli direttamente da Internet in base alle coordinate GPS della tua auto.

Potrebbe avere senso valutare i pro e i contro dei vari modi di acquisire i dati prima di decidere quale preferisci..

Blocco costitutivo dell'apprendimento automatico n. ° 2: elaborazione e conservazione dei dati (Edge e Cloud)

Una volta acquisiti questi dati dalle unità di input, dovremo memorizzarli o eseguire calcoli su di essi. Questa è fondamentalmente la scelta che si fa quando lavoriamo su un progetto di apprendimento automatico!

Entrambi (elaborazione o conservazione) può verificarsi nel sistema normalmente chiamato “IA al limite” oppure possono accadere nel cloud. Ancora, abbiamo alcune opzioni davanti a noi. Dobbiamo decidere:

• Quali dati verrebbero archiviati sul bordo?
• Quali calcoli avverrebbero sul bordo? Qui, avrebbe normalmente limitazioni nell'ambiente informatico (crema, Non tutti hanno le risorse informatiche illimitate di Google!!)
• Cosa accadrebbe nel cloud?

Generalmente, se c'è qualche operazione critica che dovrebbe verificarsi, anche se non c'è una connessione Internet o un aggiornamento del sistema, dovrebbe sempre avvenire sul bordo.

Questi includerebbero cose come decisioni al volo, avvisi o qualsiasi altra forma di monitoraggio che desideri sul dispositivo. L'archiviazione dei dati e i calcoli più completi vengono eseguiti nel cloud. È qui che gli scienziati dei dati spesso applicano varie tecniche di apprendimento automatico per migliorare il sistema.. Tutti i nostri data lake, data warehouse, eccetera. normalmente sarebbero anche nel cloud.

Blocco costitutivo dell'apprendimento automatico n. ° 3: unità di risultato o interazione

Finalmente, ci sarebbe un'unità di output o interazione in un sistema di intelligenza artificiale o di apprendimento automatico di successo. Questa è l'unità in cui il sistema di apprendimento automatico interagirebbe con l'universo esterno e agirebbe.

Potrebbe essere sotto forma di schermo, output vocale o azioni robotiche informali. Generalmente, l'output del nostro sistema di apprendimento automatico avrebbe anche varie considerazioni di progettazione.

Ad esempio, se un veicolo non può decidere o leggere l'ambiente con certezza, è necessario rispondere alle domande chiave:

• Cosa dovrebbe fare il sistema?
• Dovrebbe fermarsi prima o dovrebbe avvisare l'utente?
• Con quale frequenza e quali dettagli comunicare all'utente?

Estas son algunas de las preguntas centrales que se consideran comúnmente en la capa de salidaIl "capa de salida" es un concepto utilizado en el ámbito de la tecnología de la información y el diseño de sistemas. Se refiere a la última capa de un modelo de software o arquitectura que se encarga de presentar los resultados al usuario final. Esta capa es crucial para la experiencia del usuario, ya que permite la interacción directa con el sistema y la visualización de datos procesados.... de cualquier sistema de aprendizaje automático.

Argomento di studio: elementi costitutivi di un'auto autonoma

Ora, Prendiamo un esempio di un'auto a guida autonoma e osserviamo ciascuno di questi elementi costitutivi in ​​modo più dettagliato.. Questo ti aiuterà ad acquisire una comprensione più pratica di come funziona un sistema di apprendimento automatico o di intelligenza artificiale nel mondo reale..

Quindi, Quale sarebbe il primo elemento costitutivo o componente??

Hai indovinato, iscrizione! Scopri l'auto autonoma da drive.ai:

Come puoi vedere qui, questo veicolo autonomo ha molti sensori che fungono da input per il sistema di apprendimento automatico. Puoi vedere questi sensori sulla parte superiore dell'auto (Di colore blu). Questi sono chiamati LiDAR o rilevamento della luce e gamma. Oltre a questi, ci sono altri sensori che catturano più informazioni come il tempo, ostacoli dentro e intorno all'auto, rilevamento corsia, eccetera.

Poi c'è il calcolo e la memorizzazione nell'auto stessa, permettendoti di prendere decisioni come:

• Quanto guidare?
• Quanto velocemente correre??
• Quali sono gli ostacoli sulla strada??
• Come gestire questi ostacoli??

C'è anche un livello di cloud computing e storage, che è responsabile del miglioramento dell'algoritmo di guida nel tempo.

E infine, Vedrei vari componenti di output come uno schermo per mostrare messaggi alle persone intorno all'auto. C'è anche l'azione intrapresa dal processo robotico per spingere il veicolo in avanti.. Ecco un'illustrazione dei diversi strati necessari in questa fase:

Ci sono molte altre pratiche necessarie per creare un'auto autonoma di successo. Ma volevo prendere questo esempio per mostrarti come funziona l'idea generale alla base di un sistema di apprendimento automatico del mondo reale e gli elementi costitutivi chiave necessari per eseguirlo..

Note finali

Abbastanza affascinante, verità? Come ho detto prima, un progetto di machine learning non riguarda solo la costruzione di modelli. C'è molto di più che la maggior parte degli appassionati di data science non conosce. Questa conoscenza pratica è necessaria se vuoi ottenere una posizione come specialista in machine learning.

Ecco una sfida. Ora che conosci i vari componenti di un'auto autonoma, tocca a te progettare i componenti di un aspirapolvere intelligente in grado di navigare da solo sul pavimento e pulire l'area in cui naviga. Divertiti a costruirlo!

E se hai domande o pensieri su questo articolo, Mi farebbe piacere avere tue notizie.

Imparentato