Ini Dia 3 Teknik Untuk Membuat Machine Learning Anda Lebih Efisien
Teknik simpel untuk mempercepat proses Anda
Stanford baru-baru ini merilis laporan index AI mereka untuk 2023- Mengukur Trend Kecerdasan Buatan. Didalamnya, mereka mempunyai banyak hal yang sangat menarik untuk disebutkan mengenai AI dan bagaimana arahnya.
- Jumlah lowongan pekerjaan berkaitan AI sudah meningkat rata-rata dari 1,7% di tahun 2021 jadi 1,9% di tahun 2022.
- Pemerintahan seringkali melihat AI dan undang-undang berkaitan AI.
- Organisasi yang sudah adopsi laporan AI mengetahui penurunan biaya yang berarti dan peningkatan penghasilan.
Semuanya memperlihatkan prospect tugas yang kuat di AI di periode kedepan. Dan karena tulisan saya ditujukan untuk membantu Anda berkembang di ML, saya akan lupa untuk tidak membahasnya. Berikut beberapa teknik untuk membantu Anda membuat proses AI dalam organisasi Anda lebih efektif. Apa Anda akan terlibat dengan mereka secara langsung (manager atau insinyur AI) atau mungkin tidak langsung (sebagai partner atau seseorang yang ingin berpindah ke AI) ini akan banyak membantu Anda.
3 Teknik untuk jaga Machine Learning Anda lebih efektif
- Mengurangi Ukuran Feature Data Anda- Dengan semua kebisingan disekitaran LLM dan AI generatif, mudah untuk dilupakan- evaluasi yang diawasi dan rekayasa feature masih menjadi raja. Tetapi, orang mengabaikan satu fakta penting - lebih banyak feature tidak selalu lebih baik. Anda harus berusaha mengurangi jumlah feature dan memanipulasi feature yang kurang bermanfaat untuk menjaga kumpulan data sekecil dan sesimpel mungkin. Ini akan menghemat ongkos, meningkatkan performa, dan mekanisme berjalan secara lancar.
- Pembelajaran Aktif- Evaluasi Aktif didasari pada konsep simpel. Dari sudut pandang Model Evaluasi Mesin, semua titik data tidak dibikin sama. Beberapa point mudah diatasi, sedangkan yang lain memerlukan semakin banyak kemahiran. Bila Anda banyak memiliki data, kemungkinan ada beberapa titik data yang tumpang tindih . Maka Anda dapat membuang sebagian besar tanpa masalah. Pikirkan kembali persiapan Leetcode Anda. Sesudah Anda mengusai dalam diagram, Anda tidak lagi mendapatkan manfaat dari menyelesaikan lebih banyak permasalahan diagram.
- Menerapkan Filter dan membiarkan model simpel melakukan sebagian besar pekerjaan Anda- Orang suka menggunakan model besar yang kuat untuk menuntaskan semua. Tetapi, seharusnya Anda mengerjakan model yang semakin lebih kecil untuk pekerjaan tertentu. Bukannya mencoba membangun 'AGI', biarkan model/filter simpel melakukan sebagian besar pekerjaan Anda dan gunakan model AI besar Anda hanya jika benar-benar dibutuhkan. Anda akan melihat performa yang lebih bagus dan biaya yang lebih rendah.
Jika Anda tertarik untuk mengimplementasikan model bahasa besar, saya memiliki artikel yang diperuntukkan untuk bagaimana Anda bisa membuat model bahasa yang lebih bagus di artikel berikut ini. Ini meliputi riset terbaru yang sudah dilakukan di domain ini, untuk memungkinkan Anda membangun model NLP yang lebih aman, lebih efektif, dan mencapai kinerja puncak.