วิศวกรการเรียนรู้ของเครื่อง: ตำนานกับความเป็นจริง

แมชชีนเลิร์นนิงคือสิ่งที่ช่วยให้คอมพิวเตอร์มีความสามารถในการเรียนรู้และทำงานได้ดีขึ้นซ้ำๆ มุ่งเน้นไปที่การพัฒนาอัลกอริธึมแบบไดนามิกที่สามารถเปลี่ยนแปลง (แก้ไข) ตัวเองได้เมื่อเปิดเผยข้อมูลชุดใหม่ พูดง่ายๆ ก็คือ แมชชีนเลิร์นนิงเป็นสิ่งที่ทำให้ Facebook กลายเป็น "คุณต้องการแท็กเพื่อนของคุณในภาพนี้หรือไม่" ทุกครั้งที่คุณอัปโหลดรูปภาพกลุ่ม คนที่ทำงานเบื้องหลังเพื่อทำให้ทั้งหมดนี้เกิดขึ้นเป็นที่รู้จักอย่างถ่อมตนในนาม Machine Learning Engineers
ตอนนี้ เช่นเดียวกับโดเมนอื่นๆ ทั้งหมดภายใต้ขอบเขตกว้างของวิทยาศาสตร์ข้อมูล แมชชีนเลิร์นนิงก็มีความเข้าใจผิดมากมายเกี่ยวกับเรื่องนี้เช่นกัน และการเคลียร์สิ่งเหล่านี้คือเป้าหมายของเราในวันนี้ แต่ก่อนอื่น สิ่งสำคัญคือเราต้องแนะนำคุณเกี่ยวกับชีวิตของวิศวกรแมชชีนเลิร์นนิง รวมถึงทักษะและเครื่องมือที่พวกเขามีอยู่

ก่อนอื่น เรามาแบ่งเขตการเรียนรู้ของเครื่องจากวิทยาศาสตร์ข้อมูลให้ชัดเจนก่อน

วิศวกรการเรียนรู้ด้วยเครื่องเป็นนักวิทยาศาสตร์ข้อมูลหรือไม่?

วิทยาศาสตร์ข้อมูลเป็นคำศัพท์ที่ครอบคลุมทุกอย่าง แต่มีบางอย่างที่แตกต่างกันโดยพื้นฐานเกี่ยวกับวิธีการทำงานของแมชชีนเลิร์นนิง วิทยาศาสตร์ข้อมูลและนักวิเคราะห์สำรวจข้อมูลเป็นหลักและพยายามค้นหาแนวทางหรือแบบจำลองที่เหมาะสมกับความต้องการทางธุรกิจของพวกเขา
ในทางกลับกัน แมชชีนเลิร์นนิงเปลี่ยนโมเดลนี้โดยสิ้นเชิง วิศวกรแมชชีนเลิร์นนิงไม่ได้เกี่ยวข้องโดยตรงกับข้อมูล พวกเขารู้ผลลัพธ์ที่ต้องการ แต่ปล่อยให้อัลกอริทึมทำงานแทนพวกเขา แมชชีนเลิร์นนิงสร้างเครื่องที่เอาชนะแชมเปี้ยน Go หรือแท็กรูปภาพหรือแปลภาษาต่างๆ เป้าหมายเหล่านี้ไม่สามารถบรรลุได้ด้วยการสำรวจข้อมูลอย่างรอบคอบ ซึ่งแตกต่างจากในกรณีของการวิเคราะห์ข้อมูล มีข้อมูลมากมายให้สำรวจและมีมิติมากเกินไปที่จะจัดการ (เช่น อะไรคือมิติของเกม Go หรือภาษา) คำมั่นสัญญาของการเรียนรู้ด้วยเครื่องคือมันสร้างตัวแบบเอง: ทำการสำรวจข้อมูล และการปรับแต่ง
ความแตกต่างระหว่าง Data Science, Machine Learning และ Big Data!

ผลที่ได้คือ วิศวกรแมชชีนเลิร์นนิงไม่ได้ "สำรวจ" มากเท่ากับนักวิทยาศาสตร์ข้อมูลหรือนักวิเคราะห์ อย่างน้อยก็ไม่ใช่ในความหมายที่แท้จริงของคำ เป้าหมายของพวกเขาไม่ได้พบความสำคัญในข้อมูลของพวกเขา – พวกเขาเชื่อว่าความสำคัญอยู่ที่นั่นแล้ว แต่มีเป้าหมายที่จะสร้างโมเดล/อัลกอริทึม/เครื่องจักร/ระบบที่สามารถวิเคราะห์ข้อมูลและสร้างผลลัพธ์ได้ หรือเพื่อสร้างโครงข่ายประสาทเทียมที่ใช้งานได้ – ที่ปรับแต่งได้เพื่อให้ได้ผลลัพธ์ที่เชื่อถือได้ในชุดข้อมูลอินพุตใดๆ
มาดูประเด็นสำคัญเกี่ยวกับวิศวกรแมชชีนเลิร์นนิงกัน:

• พวกเขามีทักษะด้านวิศวกรรมซอฟต์แวร์ที่แข็งแกร่งกว่านักวิเคราะห์/นักวิทยาศาสตร์ข้อมูลทั่วไป วิศวกรแมชชีนเลิร์นนิงทำงานร่วมกับวิศวกรที่รับผิดชอบในการบำรุงรักษาระบบการผลิต ดังนั้น พวกเขาจึงต้องเข้าใจวิธีการพัฒนาซอฟต์แวร์ แนวทางปฏิบัติที่คล่องตัว และเครื่องมือพัฒนาซอฟต์แวร์ที่ทันสมัยที่สุด พวกเขาจำเป็นต้องละเอียดถี่ถ้วนกับทุกอย่างตั้งแต่ IDE เช่น Eclipse หรือ IntelliJ ไปจนถึงส่วนประกอบของไปป์ไลน์การปรับใช้ซอฟต์แวร์
• วิศวกรแมชชีนเลิร์นนิงมุ่งเน้นไปที่การทำให้ผลิตภัณฑ์ข้อมูลทำงานในการผลิต เป็นผลให้พวกเขาเป็นแบบองค์รวมในแนวทางของพวกเขา พวกเขาเป็นส่วนสำคัญของทีมพัฒนาซอฟต์แวร์ และด้วยเหตุนี้จึงรู้ว่าการทดสอบ A/B คืออะไร พวกเขาไม่เพียง "เข้าใจ" เท่านั้น แต่ยังรู้วิธีดำเนินการทดสอบ A/B ในระบบการผลิตอีกด้วย พวกเขาเข้าใจถึงความสำคัญของการบันทึกและความปลอดภัยต่อชะตากรรมของแอปพลิเคชันใดๆ
• พวกเขาพร้อมที่จะตรวจสอบผลิตภัณฑ์ข้อมูลในการผลิต แม้ว่าจะมีทรัพยากรมากมายที่จะทำให้กระบวนการตรวจสอบแอปพลิเคชันเป็นไปโดยอัตโนมัติ แต่ข้อกำหนดของการเรียนรู้ของเครื่องยังก้าวไปอีกขั้น ไปป์ไลน์ข้อมูล โมเดล อัลกอริธึม หรือแม้แต่ระบบอาจล้าสมัยและจำเป็นต้องได้รับการฝึกอบรมใหม่ ระบบแมชชีนเลิร์นนิงสามารถบิดเบือนได้ง่ายโดยการประนีประนอมกับไปป์ไลน์ข้อมูลที่ป้อน ดังนั้นวิศวกรแมชชีนเลิร์นนิงจึงจำเป็นต้องรู้วิธีตรวจจับการประนีประนอมเหล่านี้เสมอ

ทักษะที่จำเป็นบางประการสำหรับวิศวกรการเรียนรู้ของเครื่องที่ประสบความสำเร็จ:

• ความรู้พื้นฐานของวิทยาการคอมพิวเตอร์และการเขียนโปรแกรม
• ความน่าจะเป็นและสถิติ
• การสร้างแบบจำลองข้อมูลและการประเมิน
• ค้นหาไลบรารี ML ที่เหมาะสมเพื่อใช้และปรับแต่งได้ตามต้องการ
• วิศวกรรมซอฟต์แวร์และการสร้างแบบจำลอง

ตำนาน #1: วิศวกรแมชชีนเลิร์นนิงทำให้ระบบคิดเหมือนมนุษย์ทุกประการ

แม้ว่านี่จะเป็นเป้าหมายสุดท้าย แต่ก็ยังห่างไกลจากความจริงในขณะนี้ เปรียบเทียบกระบวนการเรียนรู้ของเด็กโดยสังเขปกับกระบวนการเรียนรู้ของเครื่องจักรโดยสังเขป และคุณจะรู้ว่าแมชชีนเลิร์นนิงยังอยู่ในช่วงเริ่มต้น ตัวอย่างเช่น ทารกไม่จำเป็นต้องสังเกตมนุษย์หลายร้อยคนสำหรับสิ่งง่ายๆ เช่น เดินหรือรับประทานอาหาร พวกเขาตั้งเป้าหมายของตนเอง รับรู้คนอื่นรอบตัว สร้างกลยุทธ์การเรียนรู้โดยสัญชาตญาณ และปรับแต่งผ่านการลองผิดลองถูกจนกว่าพวกเขาจะประสบความสำเร็จ แม้ว่าจะไม่มีการแทรกแซงหรือคำแนะนำจากภายนอกมากนัก แต่ทารกก็สามารถเรียนรู้วิธีการเดินพร้อมกับสิ่งจำเป็นอื่นๆ ได้สำเร็จ
ในทางกลับกัน แมชชีนต้องการการดูแลในแต่ละขั้นตอนของการเรียนรู้ นอกจากนี้ เด็กยังสามารถผสมผสานปัจจัยการผลิตต่างๆ ที่ได้รับจากอวัยวะรับสัมผัสต่างๆ อย่างเป็นองค์รวมและมีประสิทธิภาพ ตัวอย่างเช่น เด็กจะสามารถจดจำรูปภาพได้ในทันที และเข้าใจข้อความใดๆ ที่เขียนทับรูปภาพนั้นด้วย แต่ในการสอนเครื่องจักรในสิ่งเดียวกัน เราจำเป็นต้องมีอัลกอริธึมที่ซับซ้อนแยกจากกัน ซึ่งแต่ละขั้นตอนสำหรับการจดจำข้อมูล การระบุสัญญาณรบกวน และการทำความเข้าใจข้อความ

ความเชื่อ #2: ข้อมูลทั้งหมดมีประโยชน์สำหรับวิศวกรการเรียนรู้ของเครื่อง

ไม่ต้องสงสัยเลยว่าวิศวกรแมชชีนเลิร์นนิงก็ต้องการข้อมูลเช่นกัน แต่ไม่ใช่ทั้งหมดที่เกี่ยวข้องกับแมชชีนเลิร์นนิง พวกเขาต้องการข้อมูลที่เป็นตัวแทนซึ่งครอบคลุมรูปแบบและผลลัพธ์ที่ระบบจะต้องจัดการ ข้อมูลไม่ควรมีรูปแบบที่ไม่เกี่ยวข้องรวมอยู่ด้วย เนื่องจากโมเดลการเรียนรู้ของเครื่องจะสะท้อนรูปแบบที่ไม่เกี่ยวข้องเหล่านั้นและค้นหารูปแบบดังกล่าวในข้อมูลที่จะใช้ด้วย
ข้อมูลทั้งหมดที่คุณใช้สำหรับการฝึกอบรมจะต้องมีป้ายกำกับและติดป้ายกำกับอย่างดีด้วยคุณสมบัติที่ตรงกับคำถามที่คุณจะถามกับระบบการเรียนรู้ของเครื่อง ซึ่งต้องใช้ความพยายามอย่างมาก ข้อมูลทั้งหมดนี้ต้องมีป้ายกำกับที่ดีพร้อมคุณลักษณะที่ตรงกับคำถามที่คุณจะนำเสนอต่อระบบของคุณ นอกจากนี้ยังควรบริสุทธิ์และไม่มีข้อผิดพลาดหรือความไม่สอดคล้องกัน ดังนั้น ข้อมูลทั้งหมดไม่มีประโยชน์สำหรับวิศวกรการเรียนรู้ของเครื่อง – มีเพียงข้อมูลที่เกี่ยวข้องเท่านั้น!
จับตาดูสิ่งที่ยิ่งใหญ่ต่อไป: การเรียนรู้ของเครื่อง

ตำนาน #3: วิศวกรแมชชีนเลิร์นนิงไม่สนใจความรู้ที่มีอยู่แล้ว

ผู้เชี่ยวชาญในหลายสาขาเลิกใช้แมชชีนเลิร์นนิงเพราะใช้วิธี "กระดานชนวนเปล่า" ในอัลกอริธึมการเรียนรู้ของตน พวกเขาคิดว่าอัลกอริธึมการเรียนรู้ของเครื่องทุกเครื่องเริ่มต้นจากศูนย์กราวด์โดยไม่รู้ข้อมูลที่มีอยู่ก่อน วิศวกรแมชชีนเลิร์นนิงเข้าใจดีว่าการเรียนรู้เป็นกระบวนการที่ยาวนานซึ่งต้องมีการตรวจสอบอย่างต่อเนื่อง ไม่สามารถเลียนแบบได้เพียงแค่ป้อนข้อมูลลงในอัลกอริธึม ดังนั้น ไม่ใช่ว่าทุกอัลกอริทึมการเรียนรู้จะเริ่มต้นด้วยกระดานชนวนที่ว่างเปล่า บางคนใช้ชุดข้อมูลเพื่อปรับแต่งกลุ่มความรู้ที่มีอยู่แล้ว ท้ายที่สุดแล้ว ขึ้นอยู่กับข้อกำหนดทางธุรกิจขององค์กร
ความเชื่อที่ #4: โมเดลการเรียนรู้ของเครื่องที่ง่ายกว่านั้นแม่นยำกว่าเสมอ

สิ่งนี้สอดคล้องกับมีดโกนของ Occam แต่ขอบอกคุณว่ามีดโกนบอกแค่ว่าคำอธิบายที่ง่ายกว่านั้นดีกว่า ไม่ใช่เพราะเหตุใด เป็นที่ต้องการมากกว่าเพราะเข้าใจง่าย จดจำ และจัดการได้ง่ายกว่า อย่างไรก็ตาม เมื่อพูดถึงแมชชีนเลิร์นนิง บางครั้งสมมติฐานที่ง่ายที่สุดที่สอดคล้องกับข้อมูลนั้นแม่นยำน้อยกว่าสำหรับการทำนายมากกว่าสมมติฐานที่ซับซ้อนกว่า อัลกอริธึมการเรียนรู้ที่ทรงพลังที่สุดบางตัวส่งออกโมเดลที่ดูเหมือนซับซ้อนโดยไม่จำเป็น - บางครั้งก็เพิ่มต่อไปหลังจากที่พวกเขาได้พอดีกับข้อมูลอย่างถูกต้องแล้ว - แต่นั่นเป็นวิธีที่พวกเขาเอาชนะอัลกอริธึมที่ทรงพลังน้อยกว่า

เรียนรู้หลักสูตร ML ออนไลน์จากมหาวิทยาลัยชั้นนำของโลก รับ Masters, Executive PGP หรือ Advanced Certificate Programs เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว