Tập trung vào nền tảng dữ liệu vững chắc và công cụ phù hợp
Đảm bảo dữ liệu chất lượng cao tự thân đã là một thách thức lớn. Chúng tôi khuyến nghị các công ty muốn tận dụng machine learning, trí tuệ nhân tạo và khoa học dữ liệu tham khảo Tháp nhu cầu AI của Monica Rogati, trong đó machine learning nằm gần đỉnh như một trong những mảnh ghép cuối cùng.
Nguồn: Hackernoon
Tháp này cho thấy trước khi machine learning có thể diễn ra, bạn cần nền tảng dữ liệu vững và các công cụ để trích xuất, nạp và biến đổi dữ liệu (ETL), cũng như công cụ để làm sạch và tổng hợp dữ liệu từ những nguồn khác nhau.
Điều này đòi hỏi thực hành kỹ thuật dữ liệu bài bản—bạn sẽ cần tận dụng cơ sở dữ liệu, hiểu cách xử lý dữ liệu đúng cách, lập lịch cho quy trình làm việc và sử dụng điện toán đám mây.
Vì vậy, trước khi bạn tuyển kỹ sư machine learning đầu tiên, hãy thiết lập trước các chức năng kỹ thuật dữ liệu, khoa học dữ liệu và phân tích dữ liệu.
Cảnh giác với thiên lệch trong dữ liệu và thuật toán của bạn
Machine learning chỉ tốt tương ứng với dữ liệu bạn cung cấp. Nếu dữ liệu bị thiên lệch, mô hình của bạn cũng sẽ như vậy. Ví dụ, Amazon đã xây dựng một công cụ tuyển dụng ML để dự đoán mức độ thành công của ứng viên dựa trên hồ sơ với dữ liệu huấn luyện trong mười năm vốn ưu ái nam giới do lịch sử nam giới chiếm ưu thế trong ngành công nghệ—khiến công cụ ML cũng thiên lệch với phụ nữ.
Đó là lý do đạo đức dữ liệu đã nổi lên như một chủ đề quan trọng trong những năm gần đây. Khi ngày càng có nhiều dữ liệu được tạo ra, tác động của cách sử dụng dữ liệu cũng tăng lên đáng kể. Điều này đòi hỏi sự cân nhắc có nguyên tắc và giám sát liên tục. Như Cassie Kozyrkov, Trưởng bộ phận Khoa học Quyết định của Google, đã ví von, một giáo viên chỉ tốt tương ứng với những cuốn sách họ dùng để dạy học trò. Nếu sách có thiên lệch, bài học cũng sẽ bị ảnh hưởng.
Luôn theo dõi mô hình của bạn và cải thiện nó
Hãy nhớ rằng công việc của machine learning không kết thúc khi mô hình của bạn được đưa vào vận hành, đưa ra dự đoán hoặc thực hiện phân loại. Các mô hình đã triển khai và đang hoạt động vẫn cần được giám sát và bảo trì.
Nếu bạn có một mô hình dự đoán gian lận thẻ tín dụng dựa trên dữ liệu giao dịch, bạn sẽ nhận được thông tin hữu ích mỗi khi mô hình đưa ra dự đoán và bạn hành động theo đó. Bên cạnh đó, hoạt động mà bạn đang cố giám sát và dự đoán—trong trường hợp này là gian lận thẻ tín dụng—có thể mang tính động và thay đổi theo thời gian. Quy trình mà dữ liệu được tạo ra liên tục biến đổi này được gọi là trôi dữ liệu (data drift)—và nó cho thấy việc cập nhật mô hình thường xuyên là tối quan trọng.
Nguồn: DataBricks
