Machine
Learning

95%

Presnosť moderných algoritmov pri klasifikácii obrazových dát v kontrolovaných podmienkach.

2.5EB

Objem dát generovaných denne, ktoré slúžia ako palivo pre trénovanie neurónových sietí.

10ms

Priemerná latencia inferencie modelu pri spracovaní požiadaviek v reálnom čase.

Často kladené otázky

Čo je to vlastne strojové učenie?

Strojové učenie (ML) je vedná disciplína zaoberajúca sa algoritmami, ktoré sa dokážu učiť z dát bez explicitného programovania. Namiesto písania pevných pravidiel "ak-potom", inžinier poskytuje systému veľké množstvo príkladov. Algoritmus následne identifikuje štatistické vzorce a vytvára matematický model pre predikciu budúcich stavov.

Tento proces vyžaduje robustný hardvérový stack, najmä výkonné GPU jednotky, ktoré zvládajú paralelné maticové výpočty. Bez dostatočného výpočtového výkonu by trénovanie komplexných modelov trvalo roky namiesto hodín.

Je ML to isté ako umelá inteligencia?

Nie úplne. Umelá inteligencia je nadradený pojem pre akýkoľvek systém, ktorý simuluje ľudskú inteligenciu. Strojové učenie je špecifická podmnožina AI, ktorá sa zameriava výhradne na učenie sa z dát. Ešte hlbšie v tejto hierarchii nájdeme neurónové siete, ktoré sú inšpirované štruktúrou ľudského mozgu.

Aké dáta sú potrebné pre úspešný model?

Kvalita výstupu priamo závisí od kvality vstupu. Ak sú vstupné dáta nepresné alebo zaujaté, výsledný model bude vykazovať chyby. Tento fenomén sa v inžinierskej praxi nazýva "Garbage In, Garbage Out". Spracovanie dát zahŕňa čistenie, normalizáciu a transformáciu do formátu, ktorému rozumie matematický aparát algoritmu.

Kľúčové kategórie systémov

Učenie s učiteľom

Systém dostáva vstupné dáta spolu so správnymi odpoveďami (labely). Cieľom je naučiť sa funkciu, ktorá priradí vstup k správnemu výstupu. Typickým príkladom je detekcia spamu v e-mailoch alebo predpoveď cien nehnuteľností na základe historických predajov.

Viac o metóde

Učenie bez učiteľa

Algoritmus pracuje s neoznačenými dátami a snaží sa v nich nájsť skrytú štruktúru alebo zhluky. Používa sa pri segmentácii zákazníkov v marketingu alebo pri hľadaní anomálií v sieťovej prevádzke, kde nie je vopred známe, čo je "chyba".

Viac o metóde
Technical schematic of a machine learning workflow, clean en
Ilustrácia 1 — Typický inžiniersky cyklus vývoja ML modelu

Technická implementácia

Implementácia strojového učenia nie je len o výbere algoritmu. Je to komplexný proces, ktorý začína definíciou problému a končí nasadením do produkcie a monitorovaním driftu modelu. V Kilnbrick sa zameriavame na praktickú stránku veci: ako premeniť surové dáta na prediktívne nástroje, ktoré šetria čas a zdroje.

Zber dát

Agregácia informácií z databáz, senzorov alebo logov v reálnom čase.

Validácia

Overenie presnosti na testovacej množine dát, ktorú model počas trénovania nevidel.

Dôležitým aspektom je pochopenie základov a terminológie. Pojmy ako bias (zaujatosť), variance (rozptyl) alebo overfitting (pretrénovanie) sú kľúčové pre každého, kto chce pochopiť, prečo model v určitých situáciách zlyháva. Overfitting nastáva, keď sa model naučí trénovacie dáta "naspamäť", ale nedokáže generalizovať na nové prípady.

  • Optimalizácia hyperparametrov pre dosiahnutie maximálneho výkonu.
  • Nasadenie cez Docker kontajnery pre zabezpečenie konzistentného prostredia.
  • glyph-social Pravidelné pretrénovávanie modelov pri zmene distribúcie dát.

Pripravení na hlbší ponor?

Strojové učenie je rozsiahlou oblasťou. Odporúčame pokračovať štúdiom matematických základov alebo konkrétnych architektúr neurónových sietí.

Neurónové siete Praktická matematika