Будівництво фабрики машинного навчання

“Чим займається ваша компанія?” Мене запитують, коли я кажу людям, що працюю в Algorithmia.

Мені потрібно буде відповісти на це запитання набагато більше, тому що ми щойно зібрали 25 мільйонів доларів серії B, і тому я пишу це, щоб допомогти всім своїм друзям зрозуміти, як ми змінюємо гру для машинного навчання.

Розгортання однієї моделі вимагає багатьох кроків вручну, вимагає різноманітних наборів технічних навичок і сповільнює зрілість машинного навчання до повзання. Більшість дослідників даних мають нульові моделі у виробництві через це.

Майже жоден вчений з обробки даних не має навичок виконувати кожен з цих кроків, тому цілій купі фахівців потрібно працювати разом, щоб розгорнути та масштабувати одну модель. Це затягує весь процес і часто вимірюється місяцями та чвертями замість хвилин та годин.

AI Layer Algorithmia автоматизує завдання ручної інфраструктури.

Клієнти спочатку приходять до шару AI Algorithmia, оскільки він надає науковцям даних змогу швидко та швидко розгортати та повторювати власні моделі. Вони закохуються, коли усвідомлюють, як це може змінити життєвий цикл їх машинного навчання у всій організації.

Ми будуємо фабрику машинного навчання …

Завод:

Розділяє завдання на окремі та вимірювані кроки

Автоматизує, де це можливо

Дозволяє здійснювати контроль якості та узгодженість

Дозволяє масштабоване масштабування

Як заводи множили продуктивність на 40000 разів

Адам Сміт чудово проілюстрував примножувальну силу фабрики, подивившись на те, як виготовляли прості шпильки.

Коли майстри виготовляли шпильки, очікувалося, що фахівець із виготовлення штифтів може виготовляти 10 або 20 штифтів на день. Як тільки фабрична методологія була застосована до робочого процесу, фабрика змогла виставляти майже 5000 шпильок на день на одного працівника (і їм не потрібно було бути експертом).

Наявність заводського мислення збільшило продуктивність праці на працівника на 250–500 разів. З часом, коли кожен крок виготовлення штифтів був автоматизований та оптимізований, сучасна фабрика могла легко виробляти 800 000 штифтів на робочого на день. Це поліпшення продуктивності в 40000 разів.

У найближчі роки ми досягнемо 40 000-кратної продуктивності машинного навчання шляхом автоматизації та абстрагування завдань та інфраструктури, що виконуються вручну.

Як рівень ai примножує продуктивність машинного навчання

Коли моделі машинного навчання розгортаються вручну, це дуже схоже на те, коли ремісники робили шпильки вручну. Це дуже складно, вимагає широкого спектра навичок, яких у більшості людей немає, і кожного. неодружений. крок. є. посібник.

Введення моделі у виробництво вручну займає багато часу. Для багатьох вчених-дослідників даних, з якими я спілкувався, може знадобитися 12 місяців, щоб розпочати виробництво. На момент виходу в ефір у вас, швидше за все, буде кращі дані для підготовки нової версії.

Дані-вчені повинні мати можливість розгортати та повторювати власні моделі, і саме це ми робимо можливим.

Машинне навчання все ще перебуває в зародковому стані – і створення фабрики машинного навчання є наступним кроком у розблокуванні експоненціального зростання.

Якщо у вас є питання:

Ось мій Twitter

Ось тема Hacker News

Спочатку ця публікація була опублікована за адресою https://www.linkedin.com/pulse/building-factory-machine-learning-mike-anderson/.

Mike Anderson люб’язно дозволив нам перекласти і опублікувати цю статтю.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

%d bloggers like this: