Hagnaður:
- Að geta greint hvar í ML verkflæðinu (kóði, gögn, skjal) gervigreind sparar tíma með lítilli áhættu, og hvar ákvarðanir eins og mælikvarði / gögn / innleiðing í framleiðslu eru látin í hendur mannsins, í samræmi við áhættustig verkefnisins.
- Geta til að beita fræðigrein sem sannreynir hverja gervigreind úttak með því að tengja það við upprunann, keyra það aftur, mæla það og fara í gegnum verkfræðisíu.
- Hæfni til að tileinka sér þann vana að senda ekki hrá trúnaðargögn og persónuleg gögn til utanaðkomandi verkfæra, nota fyrirtækissamþykkt verkfæri og meðhöndla öryggismál eingöngu í varnarskyni.
Gervigreind í vélanámsverkfræði: Hlutverk, mörk, sannprófun og ábyrgð
Vélnámsverkfræðingur (ML verkfræðingur: hugbúnaðarsérfræðingur sem hannar, þjálfar og kemur með líkön sem læra af gögnum til framleiðslu) vinnur í dag með öðru gervigreindarverkfæri við hvert skref í starfi sínu. Kóðunaraðstoðarmaður er í gildi þegar þú skrifar kóða, samtalslíkan þegar gögn eru könnuð og stórt tungumálalíkan (LLM: tauganet með milljarða stika sem skilur og framleiðir texta) þegar skjöl eru framleidd. Þessi eining lítur á gervigreind sem bæði vöruna sem er þróuð og daglegt verkfæri ML verkfræðings. Það starfar með því að afmarka skýrt ábyrgðarmörk án þess að blanda þessum tveimur hlutverkum saman.
Í þessari fyrstu einingu svörum við grunnspurningunni: Hvar í ML verkfræði sparar gervigreind rauntíma og hvar verðum við að láta mönnum ákvörðunina? Svarið er kjarninn í verkfræðigreininni: sá sem framleiðir er fljótur, sá sem sannreynir ber ábyrgð.
Hvar kemur gervigreind að góðum notum í ML verkfræði?
ML verkefni fer í gegnum eftirfarandi línur í grófum dráttum: gagnasöfnun, gagnahreinsun, eiginleikaverkfræði (þýðing á hráum gögnum í stafræn merki sem líkanið getur skilið), líkanþjálfun, mat, dreifing (uppsetning: opnun líkansins fyrir raunverulegum notanda) og eftirlit. Gervigreind hjálpar við hvert stopp á þessari línu, en valdsvið hennar er mismunandi.
Mikil umbun, áhættulítil svæði: að búa til kóðabeinagrind, semja drög að gagnaumbreytingaraðgerð, túlka annálsskilaboð, lýsa staflaspori, draga saman tilraunaskýrslur, skrifa skjöl og README, leggja til próftilvik. Hér eru mistök gervigreindar ódýr; vegna þess að framleiðslan mun þegar fara í gegnum prófun og endurskoðun.
Mikil áhættusvæði: að ákveða hvaða gögn fara í þjálfun, staðfesta hvort líkan eigi að fara í framleiðslu, meta mælikvarða er „nógu gott“, ákvörðun um að vinna persónuupplýsingar, loka öryggisveikleika sem „rusl“. Þetta hefur áhrif á peninga, friðhelgi einkalífs, lagalega ábyrgð og traust notenda. Gervigreind gefur hér tillögur; Ákvörðunin er tekin af þar til bærum verkfræðingi og ábyrgðarhópi.
Ábending: Áður en þú úthýsir verkefni til gervigreindar skaltu spyrja: „Hver er kostnaðurinn ef þessi framleiðsla er röng og hversu auðveldlega mun einhver fatta mistökin? Ef verðið er lágt og handtaka er auðveld skaltu gefa það áfram. Ef verðið er hátt eða fangað er erfitt, notaðu aðeins gervigreind fyrir uppkastið og þú ákveður.
Sannprófunargrein: þrjú skref
Í ML verkfræði er gervigreind framleiðsla aldrei „lokið verk“; Það er drög. Keyrðu hvert úttak í gegnum þessi þrjú skref:
- Tengdu það við upprunann. Ef líkanið sagði tölu, þröskuld eða „besta starfsvenjur“, byggtu það á opinberum skjölum, raungildi í kóðagrunninum eða mældri mælistiku. „Passun líkansins“ (ofskynjanir: örugg framleiðsla á óraunverulegum upplýsingum með tungumálalíkaninu) er oftast gripið hér.
- Endurræstu og mældu. Keyrðu útbúna kóðann, endurreiknaðu mæligildið sem það framleiðir á þínu eigin prófunarsetti, staðfestu fyrirhugaða SQL fyrirspurn á litlu sýnishorni. Kóði sem virkar ekki er einskis virði, jafnvel þótt hann líti vel út.
- Settu það í gegnum verkfræðisíu. Heldur framleiðslan í mælikvarða? Hafa brúntilvik (tóm gögn, mjög stór inntak, reitir vantar) verið teknir til greina? Er um öryggis- og friðhelgisbrot að ræða? Aðeins einstaklingur sem þekkir svæðið getur gert þetta skref.
Veik kvaðning / Sterk kvaðning
Veik kvaðning: "Skrifaðu mér fyrirmyndarþjálfunarkóða."
Öflug tilvitnun: "Skrifaðu þjálfunarforskrift fyrir tvöfalda flokkun með scikit-learn. Inntak: data/train.parket, markdálkur is_churn. Það er bekkjarójafnvægi (jákvætt hlutfall ~8%), meðhöndlaðu það með class_weight. Notaðu PR-AUC (flatarmál undir nákvæmni-innköllunarferilinn) þar sem matsnákvæmni mæligildið er rangt fyrir tilviljunarkennd gögn. til 42. Prófaðu í lok kóðaprentunarsettsins PR-AUC."
Mismunur: annað hvetjandi verkefni inniheldur gagnasannleikann, rétta mælikvarða, ójafnvægisupplýsingar og endurtekningarkröfu. Það er úr þessu samhengi sem framleiðslan er sannanleg og nothæf.
Persónuvernd og gagnaöryggi: fyrsta ábyrgð verkfræðingsins
Verkfræðingur ML snertir oft viðkvæmustu gögn fyrirtækisins: viðskiptamannaskrár, viðskiptasögu, heilsufars- eða fjárhagsgögn, skrár yfir framleiðslukerfi. Þrjár reglur þegar gögn eru veitt til gervigreindartækja:
- Ekki senda hrá persónuleg og trúnaðargögn til ytri verkfæra. Til dæmis, í stað þess að líma tölvupóst viðskiptavina inn í kvaðninguna skaltu senda skema og dummy (gervi) sýnishorn. Notaðu grímudæmi eins og "ex: ahmet@example.com" í stað raunverulegra gagna.
- Notaðu ökutæki sem eru samþykkt af fyrirtækinu. Veldu verkfæri sem eru samningslega skýr hvar gögnin eru unnin, hvort þau eru geymd, hvort þau eru notuð til fræðslu eða ekki. Vinnsla fyrirtækjagagna með persónulegum reikningi er brot í flestum fyrirtækjum.
- Lágmarksgagnastefnu. Gefðu það lágmarkssamhengi sem þarf til að leysa verkefnið. Ekki alla töfluna, heldur viðeigandi 5 dálka og skema.
Varúð: Gerum ráð fyrir að ekki sé hægt að afturkalla textann sem þú gefur til tungumálalíkans. Ekki senda hrá persónuleg gögn og hugsa „ég mun eyða þeim seinna“; Áhættan átti sér stað um leið og hún var send.
Varnarnotkun á sviði öryggismála
ML verkfræðingar setja oft upp öryggiskerfi: uppgötvun svika, flokkun illgjarnrar umferðar, auðkenning. Í þessari einingu tökum við aðeins yfir öryggismál í varnarskyni: að greina árásina, herða kerfið, loka varnarleysinu. Notkun gervigreindar fyrir óviðkomandi aðgang, gagnaleka eða óleyfilega inngrip í kerfi einhvers annars er bæði ólöglegt og gegn starfssiðferði. Þegar þú finnur varnarleysi er rétta leiðin að tilkynna það á ábyrgan hátt og laga það; ekki hagnýta sér.
þrjú smámál
Mál 1 - Tímasparnaður. ML verkfræðingur myndi venjulega eyða hálfum degi í að rannsaka gagnagreiningu (EDA) á 40 dálka gagnasafni. Hann gaf gervigreindinni stefið og df.describe() úttakið og spurði: "Hvaða dálkar hafa hátt útfall og vantar hlutfall, hvaða umbreytingum mælið þið með?" Á 20 mínútum fékk hann forgangslista, sem staðfestir hvert atriði með sínum eigin kóða. Sparnaður: ~3 klukkustundir, lítil hætta á villum vegna þess að mæld var hverja kröfu.
Tilvik 2 - Fengd villa. „Nákvæmni þjálfunar er 99%, frábært,“ sagði fyrirsætan spjallaðstoðarmaður. Verkfræðingurinn beitti þriðja skrefinu (verkfræðisíu) og áttaði sig á: markdálkurinn hafði óvart lekið eiginleika (gagnaleki: líkanið sér upplýsingar sem það ætti ekki að sjá í þjálfun). Raunveruleg frammistaða var mun lægri. Efasemdir verkfræðingsins, ekki „frábær“ túlkun gervigreindar, bjargaði starfinu.
Mál 3 - Koma í veg fyrir brot á friðhelgi einkalífs. Hópur var að líma framleiðsluvilluskrána inn í ytra líkan og sagði „laga þessa villu“. Það voru kennitölur viðskiptavina í annálunum. Liðið setti sér þá reglu að skrifa lítið handrit sem hyljar skrárnar fyrst (gerir kennitölur þeirra ***) og sendi þá þannig. Hættan á broti er horfin, hraði aðstoðarinnar hefur ekki breyst.
Afritanleg sniðmát
Verkefni: [hvað á að gera, ein setning]Samhengi: [gagnaskema, stærð, takmarkanir; Engar raunverulegar persónuupplýsingar]Hömlur: [tungumál/safn, frammistaða, endurgerð] Mælingar: [hvernig á að mæla árangur] Æskilegt framlag: [kóði/lýsing/listi] og hvers vegna á þessu sniði
Skoðaðu þennan kóða. Metið ekki aðeins að það virki, heldur einnig með tilliti til: 1) Kantartilvik (tómt inntak, dálkur vantar, mjög stór gögn)2) Hætta á gagnaleka3) Endurgerðanleika (fræ, útgáfa) Leggðu til lagfæringar fyrir hvert vandamál sem þú finnur. Merktu við "staðfesta" þar sem þú ert ekki viss. Kóði: [kóði]
Túlkaðu niðurstöðu þessa mælikvarða, en spyrðu fyrst: er þessi mælikvarði réttur fyrir þetta vandamál? Vandamál: [jafnvægi/ójafnvægi flokkun, aðhvarf, röðun...]Tilkynnt mæligildi og gildi: [t.d. nákvæmni 0.99] Hvaða mælikvarða myndir þú mæla með og hvers vegna, og hvaða merki ætti ég að leita að til að fá mig til að efast um núverandi niðurstöðu?
Athugaðu hvort það séu persónulegar/trúnaðarupplýsingar í gögnunum sem ég mun gefa í eftirfarandi skilaboð. Skráðu þá reiti (nafn, tölvupóstur, kennitala, sími, heimilisfang) sem þarf að fela í textanum hér að neðan. Texti: [texti]
Hlutverk og valdborð
Leit
Hlutverk gervigreindar
Eigandi ákvörðunarinnar
Kóða beinagrind / umbreytingaraðgerð
drög rafall
Verkfræðingur (umsagnir)
EDA / gagnayfirlit
inngjöf
Verkfræðingur (staðfestir með því að mæla)
Metrísk túlkun
Tillaga
verkfræðingur
Hvaða gögn fara í þjálfun?
Tillaga
Teymi + gagnaeigandi
Settu líkanið í framleiðslu
Gátlisti áminning
Ábyrgur verkfræðingur + teymi
Vinnsla persónuupplýsinga
Ekkert (ekki notað)
Lagalegur + gagna ábyrgðaraðili
Algeng mistök
- Að nota úttakið án þess að staðfesta það. Algengustu og dýrustu mistökin. Kóði eða mælikvarði sem lítur vel út þýðir ekki að hann sé réttur.
- Líma hrá trúnaðargögn inn í tólið. Þegar það hefur verið sent er ekki hægt að taka það til baka.
- Að treysta á rangan mælikvarða. Ósamrýmanlegar mælikvarðar eins og nákvæmni í ójafnvægum gögnum og RMSE í röðunarvandamálum eru villandi.
- Misskilja gervigreind sem ákvörðunaraðila. Hann kemur með tillögur; Ábyrgðin er hjá þeim sem skrifar undir.
- Samhengislaus hvetja. Óljósar beiðnir eins og „skrifa líkan“ framleiða ósannanlega úttak.
Í stuttu máli
Gervigreind er bæði varan sem þróuð er af ML verkfræðingnum og daglegur afritari þess. Gildi þess er hæst í áhættulítil, auðstaðfest verkefnum eins og kóða-gagnaskjali; Ákvarðanir sem hafa áhrif á peninga, friðhelgi einkalífs og öryggi eru áfram hjá viðkomandi. Tengdu hvert úttak við uppsprettu, mæltu aftur, farðu í gegnum verkfræðisíu. Verndaðu trúnaðargögn, notaðu viðurkennd farartæki, vinndu aðeins í öryggisskyni í varnarskyni. Þessi fræðigrein er undirstaða allra síðari eininga.
Umsóknarverkefni
Veldu verkefni úr þínu eigin verkefni (t.d. að skrifa gagnahreinsunaraðgerð). Skrifaðu fyrst veika vísbendingu, skrifaðu síðan sterka boð með því að nota sniðmátið í þessari einingu. Taktu bæði úttak, notaðu þriggja þrepa sannprófun (tengill á uppruna, endurkeyrsla, verkfræðisía). Athugaðu hvaða kvaðning sparar hversu margar mínútur og hversu margar leiðréttingar.
gátlisti
- [ ] Ég hef ákveðið áhættustig (lágt/hátt) verkefnis míns.
- [ ] Ég setti engar raunverulegar persónulegar/trúnaðarupplýsingar í skilaboðin; Ég grímaði það eða notaði gervisýni.
- [ ] Ég tengdi úttakið við upprunann, keyrði það aftur, síaði það frá verkfræðilegu sjónarhorni.
- [ ] Ég athugaði að ég hafi valið réttan mælikvarða.
- [ ] Ég tók mikilvægu ákvörðunina (að setja hana í framleiðslu, gagnavinnslu) sjálfur/með teyminu, ég lét það ekki eftir gervigreind.
- [ ] Ég notaði fyrirtækis samþykkt ökutæki.