Aufbau von Anwendungen mit maschinellem Lernen

Kapitel 2. Einen Plan erstellen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Im vorigen Kapitel haben wir uns damit beschäftigt, wie man abschätzen kann, ob ML notwendig ist, wo es am sinnvollsten eingesetzt werden kann und wie man ein Produktziel in das am besten geeignete ML-Framing umwandelt. In diesem Kapitel geht es um die Verwendung von Kennzahlen, um den ML- und Produktfortschritt zu verfolgen und verschiedene ML-Implementierungen zu vergleichen. Dann werden wir Methoden zur Erstellung einer Baseline und zur Planung von Modellierungsiterationen vorstellen.

Ich habe die unglückliche Erfahrung gemacht, dass viele ML-Projekte von Anfang an zum Scheitern verurteilt waren, weil die Produktmetriken und die Modellmetriken nicht übereinstimmten. Mehr Projekte schlagen fehl, weil sie gute Modelle hervorbringen, die für ein Produkt nicht hilfreich sind, als weil es Schwierigkeiten bei der Modellierung gibt. Deshalb wollte ich den Metriken und der Planung ein eigenes Kapitel widmen.

Wir werden Tipps geben, wie du vorhandene Ressourcen und die Einschränkungen deines Problems nutzen kannst, um einen umsetzbaren Plan zu erstellen, der jedes ML-Projekt erheblich vereinfacht.

Beginnen wir mit einer genaueren Definition der Leistungskennzahlen.

Erfolg messen

Wenn es um ML geht, sollte das erste Modell, das wir bauen, das einfachste Modell sein, das die Anforderungen eines Produkts erfüllen kann, denn ...