Пайдалар:
- MLOps фазаларын түшүнүү (чыгаруу, жайылтуу, мониторинг, кайра даярдоо, артка кайтаруу) жана дрейфтин моделин жана мониторингге алынган жайылтууну пландаштыруу
- Үлгү калыстык, ачыктык жана отчеттуулук принциптерин колдонуу жана статистикалык тактыкты этикалык алгылыктуудан айырмалоо жөндөмдүүлүгү
- KVKK/GDPR принциптери менен жеке маалыматтарды коргоо жана жогорку таасирдүү чечимдерди кабыл алууда адамга акыркы жоопкерчиликти тапшыруу мүмкүнчүлүгү
Моделди даярдоо жана жогорку балл алуу аягы эмес, ортосу. Модель өндүрүшкө киргизилгенде жана ишенимдүү иштегенде, убакыттын өтүшү менен бузулбастан көзөмөлдөнүп, бүт процесс этикалык жана укуктук чектерде ишке ашканда реалдуу нарк келет. Бул жабуу бөлүмү үч теманы бириктирет: MLOps (түз эфирге чыгуу, моделдерди көзөмөлдөө жана колдоо дисциплинасы), этика (адилеттик, ачыктык, зыян келтирбөө) жана купуялуулук (жеке маалыматтарды коргоо). AI бул аймактарда кодду, текшерүү тизмелерин жана пландарды чыгарат; Бирок адамдар моделдин жандуу чыгабы же жокпу, кимге таасир этээрин жана кандай маалыматтар колдонулаарын чечет. Бул чечимдер техникалык эмес, жоопкерчилик чечимдери.
MLOps: модель продукт сыяктуу жашайт
MLOps (Machine Learning Operations - өндүрүштө машина үйрөнүү моделдерин иштетүү, көзөмөлдөө жана жаңыртуу практикасы) DevOps программалык камсыздоону иштеп чыгууда маалымат илимине ыңгайлаштыруу болуп саналат. Негизги идея: модель – бул бир жолу үйрөтүлүп, унутулуп калган файл эмес, дайыма тейлөөнү талап кылган жандуу продукт. Негизги этаптары:
1. Версиялоо: Код (Git), маалыматтар жана модель чогуу версияланган; Кайсы модель кайсы маалыматтар жана код менен чыгарылганы жазылат.
2. Жайгаштыруу: Модель API же партиялык жумуш катары түз эфирге коюлат. Ал, адатта, адегенде кичинекей аудиторияга берилет (көлөкө/канарларды бөлүштүрүү).
3. Мониторинг: моделдин жана киргизүү маалыматтарынын иштеши дайыма көзөмөлдөнүп турат.
4. Кайра даярдоо: натыйжалуулугу төмөндөгөндө, модель жаңыртылган маалыматтар менен кайра окутулат.
Үлгү жылыш: үнсүз бурмалоо
Өндүрүштөгү эң чоң коркунуч – бул моделдин дрейфи (моделдин дрейфи / маалыматтардын дрейфи). дүйнө өзгөрөт; Сиз өзүңүздүн моделиңизди үйрөткөн шарттар (кардардын жүрүм-туруму, баалар, мезгил, мыйзамдар) убакыттын өтүшү менен өзгөрүп, модель эскире баштайт. Мисалы, пандемияга чейин даярдалган суроо-талап модели пандемия учурунда таптакыр туура эмес. Дрейф эки формада болот: берилиштердин дрейфи (киргизилген маалыматтардын өзгөрүшүнүн бөлүштүрүлүшү) жана концепциянын дрейфи (киргизүү жана максаттык өзгөрүүлөрдүн ортосундагы байланыш). Аларды кармоонун жолу - бул мониторинг: киргизүүнүн бөлүштүрүлүшүнө, болжолдоолордун бөлүштүрүлүшүнө жана (мүмкүн болсо) иш жүзүндөгү натыйжага салыштырмалуу аткарууга дайыма көз салып туруңуз.
Абайлаңыз: Өндүрүшкө киргизилген модель өзүнөн өзү начарлайт; Кеп "эгерде" эмес, "качан" дегенде. Мониторингди орнотпостон моделдерди жайылтуу, анын кыймылдаткычын эч качан башкарбай туруп, машинаны айдоо сыяктуу; Бир күнү ал жерде тынч отуруп калат, сен байкабайсың.
MLOps элементи
Максат
Эгер көңүл бурулбаса
Версиялоо
Эмне өндүрүлгөнүн билүү
Кайталанбас, изденүүгө болбойт
Мониторинг
Эрте тайганды көрүп
Модель унчукпай бузулат
кайра даярдоо
жаңылануу
Божомолдор эскирип баратат
Артка кайтаруу
жаман моделге кайтуу
Бузулган модель жандуу бойдон калууда
Документация
ачык-айкындуулук, жүгүртүү
Маалымат бир адамдын ичине тыгылып калат
Этика: моделдик чечимдер адамдарга таасир этет
Маалымат моделдери адамдардын жашоосуна таасир этүүчү чечимдерди кабыл алууда көбүрөөк колдонулат: кредиттик, жалдоо, камсыздандыруу, адилеттүүлүк. Бул күч менен жоопкерчилик келет. Негизги этикалык тобокелдиктер:
Бир тараптуулук жана дискриминация: модель тарыхый маалыматтардагы адилетсиздикти үйрөнүп, уланта алат. Эгерде белгилүү бир топко мурда азыраак кредит берилген болсо, модель муну "эреже" деп эсептейт жана дискриминацияны автоматташтырат. Ошондуктан калыстыкты талдоо — моделдин ар кандай топтор үчүн (жынысы, жашы, аймагы) окшош аткарарын текшерүү — абдан маанилүү.
Ачыктык жана түшүнүктүүлүк: Модель эмне үчүн адамды четке какканын түшүндүрө алышыңар керек. "Кара куту ушинтип айтты" этикалык жана көбүнчө юридикалык жактан кабыл алынгыс. Ошондуктан түшүндүрмө куралдары (өзгөчөлүктүн маанилүүлүгү, SHAP баалуулуктары) баалуу.
Жоопкерчилик: модель туура эмес чечим кабыл алса, ким жооп берет? Жооп ар дайым адам/мекеме, модел эмес. Эффективдүү чечимдерди кабыл алууда адамдын көзөмөлү (адам-аман – акыркы чечимди жактырган адам) сакталышы керек.
Абайлаңыз: Үлгү статистикалык жактан "туура" болушу мүмкүн, бирок этикалык жактан кабыл алынгыс. Бир топту системалуу түрдө кемсинткен өтө так модель жакшы үлгү эмес. Чынчылдык адилеттикти алмаштыра албайт.
Купуялык: жеке маалыматтар кылдат корголот
Маалымат илиминин чийки заты көбүнчө жеке маалыматтар болуп саналат жана бул маалыматтар мыйзам тарабынан корголот: Түркияда KVKK, Европада GDPR. Негизги принциптер: максатты чектөө (маалыматтар чогултулган максаттардан башка максаттарда пайдаланылбайт), маалыматтарды минимизациялоо (зарылдан ашыкча маалымат чогултулбайт/сакталбайт), анонимдөө (идентификациялык маалымат алынып салынат) жана коопсуздук (маалыматтар шифрленген сакталат жана жеткиликтүүлүк чектелген). AI куралдары менен иштөөдө маанилүү эреже: эч качан чыныгы жеке маалыматтарды коомдук AI куралына чаптабаңыз. Көпчүлүк учурда диаграмма жана анонимдүү/синтетикалык үлгү талдоо үчүн жетиштүү.
Маалыматтык коопсуздук контекстиндеги кошумча басым: коргоо жана мыйзамдуу талдоо максаттары үчүн маалымат илиминин куралдарын жана ыкмаларын сиз ыйгарым укукка ээ болгон маалыматтарда жана системаларда гана колдонуңуз. Башка бирөөнүн маалыматтарына уруксатсыз кирүү, жеке адамдарды кайра идентификациялоо (анонимдүү маалыматтардан инсандыгын алуу) же уруксатсыз профилдештирүү мыйзамсыз жана этикага туура келбейт.
үч мини учурлар
1-жагдай - Көз салынбаган кыйроо. Электрондук коммерциялык компания өзүнүн сунуштоо модели менен түз эфирге чыгып, байкоону орноткон эмес. 4 айдан кийин продукт каталогу абдан өзгөрдү; модель эскирген өнүмдөрдү сунуш кылууну улантып, конверсия курсу акырындап 30% га төмөндөдү. Айлар бою эч ким байкаган жок. Сабак: Мониторингсиз жайылтуу сокур болуп баратат.
2-жагдай – Жашыруун басмырлоо. Жумушка алуу скрининг модели тарыхый маалыматтардагы гендердик тең салмактуулуктун бузулушу жана аял талапкерлердин системалуу түрдө төмөн бааланганы жөнүндө билди. Калыстык анализи болбогондуктан байкалган эмес; Бул аудиттин жүрүшүндө аныкталган жана мекеме олуттуу репутация/укуктук тобокелчиликке туш болгон. Сабак: Топтук негизделген калыстыкты көзөмөлдөө жогорку таасирдүү моделдерде маанилүү.
3-жагдай - купуялуулукту бузуу. Бир аналитик ачык AI куралына чыныгы кардарлардын электрондук почталарын жана сатып алуу тарыхын камтыган файлды жүктөдү жана "сегменттерди жалпылоо" деди. Жеке маалыматтар мекемеден чыгып кеткен; KVKK процесси башталды. Туура жол - инсандык талааларды алып салуу жана анонимдүү касиеттерди гана бөлүшүү. Сабак: чыныгы жеке маалыматтар ачык куралга кирбейт.
Көчүрүү үчүн төрт шаблон
1) жайылтууга чейинки текшерүү тизмеси:
Сиздин ролуңуз: MLOps кеңешчиси. Модельди өндүрүшкө киргизүүдөн мурун текшерүүм керек болгон нерселерди тизмектеңиз: версиялоо, мониторинг көрсөткүчтөрү, артка кайтаруу планы, аткаруу босогосу, берилиштер боюнча эскертүү, жооптуу адам. Ар бир пункт үчүн бир сүйлөмдөн турган "эмне үчүн маанилүү" түшүндүрмөсүн кошуңуз. Мен чечем.
2) Сменага көз салуу моделинин дизайны:
Өндүрүштөгү классификация модели үчүн дрейф мониторингинин планын сунуштаңыз: (1) кандай кириш бөлүштүрүүгө мониторинг жүргүзүү керек, (2) болжолдоону бөлүштүрүү үчүн кандай сигнализация, (3) реалдуу натыйжа келгенде натыйжалуулукту кантип салыштыруу, (4) кайсы босогодо кайра даярдоону баштоо керек. Ошондой эле код скелет менен камсыз кылуу.
3) адилеттүүлүктү көзөмөлдөө:
Менин моделимдин ар кандай топтор үчүн иштешин салыштырган кодду жазыңыз (мисалы, курак диапазону, аймак): кайра чакырып алуу/тактык жана ар бир топ үчүн оң чечим кабыл алуу. Эгерде топтордун ортосунда олуттуу айырмачылык бар болсо, эскертиңиз. Себептик/саясий интерпретациялоо; Жөн гана мага айырмачылыктарды көрсөт, мен чечимди карап чыгам.
4) Купуялыкты алдын ала текшерүү:
AI куралына берилиштерди берүүдөн мурун, текшериңиз: төмөнкү тилкелер тизмесинде жеке/инсандык маалыматтар (аты-жөнү, электрондук почтасы, ID, телефон, дарек, IP) барбы? Андай болсо, алардын кайсынысын алып салуу же анонимдүү кылуу керек экенин тизмектеңиз. Мамычалар: [тизме]. Максаты: анонимдүү схеманы гана бөлүшүү.
Алсыз тездик / Күчтүү тездик
Алсыз билдирүү:
Моделим даяр, түз эфирге чык.
Жайгаштыруу бир кадам эмес; Мониторингсиз, артка кайтарылбастан, калыстыкты жана купуялуулукту көзөмөлдөөсүз түз эфирге чыгуу - бул кырсыкка үнсүз чакыруу.
Күчтүү билдирүү:
Сиздин ролуңуз: жооптуу MLOps кеңешчиси. Моделим даярдалды, түз эфирге чыгаардан мурун толук даярдангым келет. Түзүү: (1) жайылтууга чейинки текшерүү тизмеси, (2) дрейфтик мониторинг планы, (3) топко негизделген калыстыкты текшерүү коду, (4) купуялуулукту текшерүү (жеке маалыматтар барбы). Ошондой эле жогорку таасирдүү чечимдерде адамдын макулдугун кантип коргоону сунуштаңыз. Акыркы чечимдер меники.
Бул жерде бөлүштүрүү, мониторинг, калыстык жана купуялуулук бирдиктүү жоопкерчиликтүү процесс катары каралат.
Жалпы каталар
- Мониторингди орнотпостон моделди жайылтуу. Модель унчукпай тайып, бурмалайт; Аны байкаш үчүн бир нече ай талап кылынышы мүмкүн.
- Адилеттүүлүк текшерүүдөн өтүү. Жогорку тактык модели системалуу түрдө топту начарлатышы мүмкүн.
- Түшүнүксүз кара кутуча чечим кабыл алуу. Жогорку таасирдүү чечимдер түшүнүктүү болушу керек; "Модель ушинтип айтты" дегени аздык кылат.
- AI куралын ачуу үчүн чыныгы жеке маалыматтарды берүү. KVKK/GDPR бузуу; Диаграмма жана анонимдүү мисал жетиштүү.
- Чечимди моделге өткөрүп берүү. Жоопкерчилик ар дайым адамдын мойнунда; Жогорку таасирдүү адам көзөмөлү сакталат.
Кеңеш: Ар бир модель менен түз эфирге чыгаардан мурун, үн чыгарып бир суроо бериңиз: "Эгер бул модель эртең үнсүз бузулуп калса же топту адилетсиз жазаласа, мен аны кантип байкап, кайра кайтарам?" Бул суроого так жооп жок болсо, модели өндүрүү үчүн даяр эмес.
Кыскача айтканда
Моделдин иши жогорку балл алуу менен бүтпөйт, өндүрүштө ишенимдүү жана жоопкерчиликтүү иштөө менен бүтөт. MLOps - түз эфирге чыгуу, дрейфке мониторинг жүргүзүү, кайра даярдоо жана моделди артка жылдыруу; Көзөмөлсүз жайылтуу унчукпай кыйроо болуп саналат. Этика моделдин калыстыгын, ачыктыгын жана жоопкерчилигин талап кылат; статистикалык тактык этикалык алгылыктуулугун алмаштыра албайт. Купуялык жеке маалыматтарды KVKK/GDPR принциптери менен коргоону жана реалдуу маалыматтарды ачык куралдардан алыс кармоону билдирет. Бул чечимдердин баары техникалык эмес, жоопкерчилик чечимдери жана ар дайым адамга таандык.
Колдонмо тапшырмасы
Сиз курган (же гипотетикалык) моделиңизди өндүрүшкө киргизип, төрт тизмени толтургуңуз дегендей элестетиңиз: (1) жайылтууга чейинки текшерүү тизмеси, (2) сиз көзөмөлдөй турган дрейф метрикасы, (3) топко негизделген калыстыкты көзөмөлдөө планы, (4) купуялуулукту көзөмөлдөө. Анан “эртең унчукпай сынып калса, кантип байкап, кайра кайтарып алам?” деген суроого конкреттүү жооп жаз.
текшерүү тизмеси
- [ ] Мен моделди мониторинг (слип сигналы) жана артка кайтаруу планы менен орнотуп жатамбы?
- [ ] Мен ар кандай топтор үчүн адилеттүүлүк/аткаруу айырмасын текшердимби?
- [ ] Мен жогорку таасирдүү чечимдерди кабыл алууда адамдын көз карашын сактап калдымбы?
- [ ] Мен жеке маалыматтарды KVKK/GDPR принциптери менен коргоп, аларды ачык куралдардан алыс кармадымбы?
- [ ] Мен акыркы жоопкерчиликти моделге эмес, адамга жүктөдүмбү?
Модуль экзамени
1. Маалымат таануучу жасалма интеллектке: "Бул маалымат боюнча кокус токой канчалык туура?" моделди такыр үйрөтпөстөн, түз эле презентацияга "89%" деген жоопту коёт. Бул мамиледеги негизги ката эмнеде?
- A) Жасалма интеллектке маалыматтарды жана моделдерди бербестен метрикаларды күтүү; Ал чыгарган сандын жасалма экенине жана чыныгы көрсөткүчтү окутуу жана тестирлөө аркылуу гана табууга болот ✔
- B) Кокус токойдун ордуна логистикалык регрессияны колдонуу керек
- C) Тактык көрсөткүчү ар дайым 90% жогору болушу керек.
- D) Презентацияга метрикаларды кошууга катуу тыюу салынат
Түшүндүрмө: Жасалма интеллект моделге жана маалыматтарга кирбестен метрика чыгара албайт; Анын берген саны галлюцинация (ойдон чыгарылган). Метрика моделди чындап үйрөтүп, сынап көргөндөн кийин гана маалымат таануучунун өзүнүн эсептөөсү менен алынат. Текшерилбеген жыйынтык кол коюлбаган отчет сыяктуу.
2. "Эсепти жабуунун себеби" графасы кыйроону болжолдоо үчүн маалыматтарды чогултууда киргизилет; Бул графа кардар кеткенден кийин гана толтурулат. Модель тесттик топтомдо 97% берет, бирок өндүрүштө иштебейт. Бул абалдын аты жана себеби эмнеде?
- А) ашыкча окуу; Модель өтө татаал
- B) Маалыматтын сыртка чыгып кетиши; ✔ Божомолдоо учурунда жеткиликтүү болбой турган, бирок максаттын натыйжасы болгон маалыматты колдонуу
- C) Окутуунун жетишсиздиги; Модели өтө жөнөкөй
- D) Тандоо багыты; кичинекей үлгү өлчөмү
Түшүндүрмө: Бул классикалык маалыматтардын агып кетиши: "жабуу себеби" максаттын натыйжасы жана болжолдоо учурунда дагы эле бош. Модель бул келечектеги билим менен амал кылат, ал сыноо топтомунда сонун көрүнөт, бирок ал тилке бош болгондуктан өндүрүштө бузулуп калат. Ар бир тилкеге "болжолдоо учурунда менде барбы?" деген суроо берилиши керек.
3. Аналитик киреше тилкесиндеги жетишпеген маанилерди орточо менен толтурат; бирок дайынсыз жоголгондор чындыгында кирешесин эч качан декларациялабаган (системалуу дайынсыз жоголгон) аз камсыз болгон сегментке кирет. Эмне үчүн бул толтуруу туура эмес?
- A) Орточо ар дайым медианадан чоң, ошондуктан туура эмес
- B) Жетишпеген маанилерди эч качан толтурбоо керек, алар ар дайым жок кылынышы керек
- C) Системалык боштукту орточо менен толтуруу, ал топту жасалма түрдө көрсөтүү менен маалыматтарды бурмалайт; «Эмне үчүн бош?» деген суроо берилбестен толтурулган. ✔
- D) Орточо көрсөткүчтү эсептөө аткаруу көйгөйүн жаратат, анткени ал өтө жай
Түшүндүрмө: жетишсиздиктин себеби чечүү жолун аныктайт. Системалык жетишпегендик (белгилүү бир топко топтолгон боштук) орточо менен толтурулганда, ал топ жасалма түрдө «орточо кирешеге» айланат жана маалыматтар бурмаланат. Аны толтуруунун алдында «эмне үчүн ал бош» деген суроо берилиши керек; системалуу/маанилүү жетишпеген ортону толтурбоо керек.
4. Команда "жарнамалык чыгым" менен "сатуунун" ортосунда 0,78 корреляцияны таап, бюджетти эки эсеге көбөйтөт; Бирок, экөө тең сезондук кампанияларды козгойт. Бул катаны статистикадагы кайсы принцип түшүндүрөт?
- А) Корреляция себептүүлүк эмес; Жашыруун үчүнчү өзгөрмө эки өзгөрмөгө тең таасир этиши мүмкүн ✔
- B) 0,78 корреляциясы өтө төмөн болгондуктан, байланышты эске албай коюу керек
- C) Корреляция дайыма себептүүлүктү далилдейт, команда туура түшүндү
- D) Жарнама менен сатуунун ортосундагы корреляцияны математикалык түрдө эсептөө мүмкүн эмес.
Түшүндүрмө: Корреляция себептүүлүк эмес. Эки өзгөрмө чогуу иштеши мүмкүн, анткени жашыруун үчүнчү өзгөрмө (бул жерде сезондук кампаниялар) экөөнө тең таасир этет. Бири экинчисин пайда кылат деген тыянак эксперимент жана талаа билими аркылуу гана аныкталат; Корреляциянын саны гана себептүүлүктүн далили эмес.
5. алдамчылык аныктоо модели 99,2% так көрсөтөт жана команда майрамдайт; Бирок, маалыматтарда жасалма транзакция курсу болгону 0,8% жана моделдин кайра чакыртылышы 6% түзөт. Бул таблица эмнени көрсөтүп турат?
- A) Модел идеалдуу, анткени тактык 99% жогору
- B) Тактык балансталбаган маалыматтар менен адаштыруучу; Модель дээрлик бардык жасалмаларды сагынган (төмөн кайра чакырып алуу), тиешелүү метрика ✔ каралышы керек
- C) Модельди чакырып алуу жогору болгондуктан эч кандай көйгөй жок
- D) Жасалма көрсөткүч төмөн болгондуктан, моделди куруунун кереги жок болчу
Түшүндүрмө: "Тактык" теңдешсиз маалыматтарда жаңылыштык болуп саналат. Модель дээрлик ар бир транзакцияны “таза” деп атаганда, ал жогорку тактыкка ээ болот, анткени фейктер өтө аз, бирок ал фейктерди кармай албайт, бул анын негизги максаты (6%ды кайра чакырып алуу). Ошондуктан, тең салмактуу эмес маселелерде көңүл тактыкка эмес, башаламандык матрицасына жана жумуштун максатына ылайыктуу метрикага бурулат, мисалы, кайра чакырып алуу/тактык.
6. Суроо-талапты болжолдоо долбоорунда убакытка көз каранды маалыматтар кокустук түрдө окутуу/тестүү болуп бөлүнөт. Модель 93% так берет, бирок өндүрүштө кыйроого учурайт. Туура бөлүү мамилеси кандай болушу керек?
- A) Сыноолордун топтомун кеңейтүү, мис. бөлүү 50%/50%
- B) Бир кыйла татаал моделди колдонуу
- C) Бөлүктү толугу менен алып салуу жана бардык маалыматтар менен машыгуу
- D) Хронологиялык бөлүнүү: эски мезгил менен машыгуу жана жаңы мезгил менен тестирлөө, ошону менен моделдин келечекти көрүшүнө тоскоолдук кылуу ✔
Түшүндүрмө: Убакыт сериясынын маалыматтарында кокус бөлүштүрүү жүргүзүлсө, модель келечекти көрөт жана тренингде өткөндү болжолдойт; бул агып кетүү жана чындыгында жок ийгиликтерди жаратат. Туура мамиле – хронологиялык бөлүнүү: эски мезгил менен окутуу жана жаңы мезгил менен сыноо, өндүрүштөгү реалдуу кырдаалды туурап (өткөндөн келечекке болжолдоо).
7. Функция инженериясында масштабдоо (StandardScaler) параметрлери кайсы маалыматтардан эсептелиши керек жана аларды кантип колдонуу керек?
- A) Ал так болушу үчүн бардык маалыматтардан (тренинг + тестирлөө) эсептелиши керек
- B) Ар бир катар үчүн өзүнчө, ошол катардын өз маанисинен эсептелиши керек
- C) Текшерүү маалыматтарынан гана эсептөө керек
- D) Аны окутуунун маалыматтарынан гана эсептөө керек, андан кийин тесттик маалыматтарга бирдей параметрлерди колдонуу керек; антпесе агып кетет ✔
Түшүндүрмө: Масштабдоо, коддоо жана толтуруу сыяктуу бардык трансформациялардын параметрлерин (орточо, стандарттык четтөө ж.б.) окутуунун маалыматтарынан гана үйрөнүү керек, андан кийин тесттин маалыматтарына да ошондой эле колдонулушу керек. Сыноо маалыматтарын эске алуу тесттик маалыматтын машыгууга тоскоол болушуна, башкача айтканда, агып кетишине алып келет жана моделди андан жакшыраак кылат. Pipeline колдонуу муну камсыз кылат.
8. Модель окуу топтомунда 98% жана тесттик топтомдо 72% тактыкты берет. Бул симптом эмнени көрсөтүп турат жана эмне кылуу керек?
- А) Жетишсиз окуу; моделин татаалыраак кылуу керек
- B) Маалыматтын сыртка чыгып кетиши; сыноо топтомун өзгөртүү керек
- C) Ашыкча жабыштыруу; модель жөнөкөйлөштүрүлүшү керек, регуляризация жана кайчылаш валидация колдонулушу керек ✔
- D) Кадимки жагдай; Билим берүү баллы баары бир ар дайым жогору, сактык чаралардын кереги жок
Түшүндүрмө: Тренингде өтө жогорку упай жана тестирлөөдө бир кыйла төмөн балл ашыкча фитингдин классикалык белгиси болуп саналат: модель чыныгы үлгү эмес, машыгуу маалыматтарынын ызы-чуусун жаттап алган. Чечимдерге моделди жөнөкөйлөтүү, көбүрөөк маалымат, регуляризация жана кайчылаш валидация менен абалды текшерүү кирет. Жалаң билим баллына таянуу бул туңгуюкту жашырат.
9. Башкаруу презентациясында сатуулар 1000ден 1020га чейин өскөн штрих диаграмманын у огу өсүү чоң болуп көрүнүү үчүн 980ден башталат. Иш жүзүндө өсүш 2%ды түзөт. Эмне үчүн бул этикалык маселе?
- A) Кесилген у огу визуалдык түрдө кичине айырманы көбүртүп-жабыртып, көрүүчүнү адаштырат; Калыстык үчүн, салыштыруу тилкелериндеги огу 0 ✔дан башталышы керек
- B) Станга диаграммалары сатуу маалыматтары үчүн эч качан колдонулбайт
- В) Эч кандай көйгөй жок; Диаграмманы таасирдүү кылып көрсөтүү дайыма жакшы
- D) Y огу дайыма маалыматтардын эң чоң маанисинен башталышы керек
Түшүндүрмө: Салыштыруу максатында штрих диаграммаларда у огу жалпысынан 0дөн башталышы керек. Окту кесип жана 980ден баштоо кичинекей 2% айырма визуалдык жактан чоң көрүнөт жана көрүүчүнү адаштырат. Маалымат адисинин этикалык жоопкерчилиги - бул маалыматтарды ашыкча же баалабаган чынчыл графиктерди тартуу.
10. Аналитик товардын таблицасы менен буйрутмаларды КОШУП 3 жолу жалпы жүгүртүүнү табат; Линиялардын саны 240 миңден 690 миңге чейин өстү. Бул үнсүз катаны алдын алуу үчүн эмне кылыш керек эле?
- А) Жалпы товар жүгүртүүнү 3кө бөлүү
- B) JOIN дегендин ордуна ар дайым өзүнчө сурамдарды колдонуңуз
- C) Продукт таблицасын толугу менен жок кылуу
- D) Бириктирүү/ЖОГУУдан кийинки катарлардын санын текшерүү жана алардын туура баскыч аркылуу кошулганын текшерүү; Репликацияны эрте кармоо ✔
Түшүндүрмө: Продукт таблицасында ар бир продукт үчүн бир нече саптар (мисалы, ар кандай түс) болгондо, туура эмес баскыч аркылуу JOIN ар бир буйрутманы кайталап, жыйынтыктарды көбөйтөт. Код катасыз иштейт, бирок натыйжасы туура эмес. Мунун алдын алуунун жолу - ар бир бириктирүүдөн/ЖООНдон кийин саптардын санын текшерүү жана туура баскыч менен бириктирүү.
11. Жумушка алуу скрининг модели гендердик дисбаланс жөнүндө тарыхый маалыматтарда жана системалуу түрдө аял талапкерлердин упайларында билип алат, бирок анын жалпы тактыгы жогору. Бул эмнени билдирет?
- A) Эч кандай көйгөй жок, анткени моделдин тактыгы жогору
- B) Статистикалык тактык этикалык алгылыктуулукту алмаштыра албайт; модель өткөн дискриминация жөнүндө билди, топко негизделген калыстыкты текшерүү талап кылынат ✔
- В) Модельдин тактыгын андан ары жогорулатуу маселени чечет
- D) Адилеттүүлүк маалымат илиминин алкагына кирбейт
Түшүндүрмө: модель статистикалык жактан туура болсо да, ал этикалык жактан кабыл алынгыс болушу мүмкүн. Модель мурунку маалыматтардагы адилетсиздикти үйрөнүп, дискриминацияны автоматташтырат. Жогорку ак ниеттүүлүк адилеттүүлүктү алмаштыра албайт; Жогорку таасирдүү моделдерде ар кандай топтор үчүн аткаруу/чечимдин айырмасын өлчөй турган калыстыкты көзөмөлдөө маанилүү жана акыркы жоопкерчилик адамда.
12. Кызматкер чыныгы кардарлардын электрондук почталарын жана сатып алуу тарыхын камтыган файлды коомдук AI куралына жүктөйт жана "сегменттерди жалпылоо" дейт. Эмне үчүн бул олуттуу ката жана туура жол кайсы?
- А) эч кандай көйгөй жок; AI куралдары эч качан маалыматтарды сактабайт
- B) Ката файлдын өтө чоңдугунда; азайтылышы керек эле
- C) Ачык куралга реалдуу жеке маалыматтарды берүү KVKK/GDPR бузуу болуп саналат; идентификация талаалары өчүрүлүп, анонимдүү схема/мүлк гана бөлүшүлүшү керек ✔
- D) CSV жөн гана Excel ордуна колдонулушу керек болчу
Түшүндүрмө: Чыныгы жеке маалыматтар (мисалы, электрондук почта, аты-жөнү, ж.б.) жалпыга жеткиликтүү жасалма интеллект куралына берилгенде, KVKK/GDPR алкагында купуялык бузулат; маалыматтар уюмдан чыгат. Көпчүлүк учурда диаграмма жана анонимдүү/синтетикалык үлгү талдоо үчүн жетиштүү. Туура жол - инсандык талааларды алып салуу жана анонимдүү касиеттерди гана бөлүшүү.
13. Рекомендациялык модель өндүрүшкө киргизилет, бирок байкоо жүргүзүлбөйт; Продукциянын каталогу 4 айдан кийин өзгөргөндө, модель эски өнүмдөрдү сунуштай берет жана конвертация курсу 30% га төмөндөйт. Бул кубулуштун аты кандай?
- А) ашыкча окуу; Модель машыгуу топтомун жаттап алат
- B) Моделдик дрейф; Мониторинг орнотулбагандыктан, дүйнө өзгөргөн сайын модель унчукпай, билинбей эскирип калат ✔
- C) Тандоо багыты; үлгү бурмалоо
- D) Маалыматтарды минималдаштыруу бузуу
Түшүндүрмө: Бул моделдин дрейфи (модель/маалыматтардын дрейфи): дүйнө өзгөргөндө (каталог, жүрүм-турум, мезгил) моделдин үйрөтүлгөн шарттары жылып, модель үнсүз бузулат. Өндүрүшкө киргизилген модель өзүнөн өзү начарлайт; Бул "качан" деген маселе. Мониторингсиз жайылтуу (киргизүүнү жана аткарууну көзөмөлдөө) деградацияны аныктоого мүмкүн эмес.
14. Бир окуу/тесттик бөлүштүрүүдө 88% тактыкка ээ болгон модель 88%, 71%, 83%, 64%, 79% 5 эселенген кайчылаш текшерүү упайларына ээ. Бул эмнени көрсөтүп турат жана кайчылаш текшерүү эмне үчүн маанилүү?
- A) Үлгү туруктуу; 88% реалдуу аткаруу болуп саналат
- B) Кайчылаш валидациянын кереги жок; Бир купе жетиштүү
- C) Баллдардын чоң өзгөрмөлүүлүгү моделдин туруксуз экендигин көрсөтөт; кайчылаш валидация бир да бактылуу урнага эмес, бир нече урналардын орточо көрсөткүчүнө жана бөлүштүрүлүшүнө негизделет
- D) Эң жогорку баллды билдирүү эң жакшы (88%)
Түшүндүрмө: Бир купе бактылуу же ийгиликсиз болушу мүмкүн; 88% ошол оңой бөлүштүрүүнүн натыйжасы эле. Кайчылаш валидация орточо көрсөткүчкө (бул жерде ~ 77%) негизделген жана упайлардын өзгөрмөлүүлүгүн көрсөтүп, маалыматтарды бир нече жолу бөлөт. Бул жерде жогорку туруксуздук моделдин туруксуз экенин көрсөтүп турат; Бир купеге таянуу жаңылыштык.