Ich verstehe, wie maschinelles Lernen funktioniert, aber wie wird es in tatsächlichen Diensten verwendet? Ich frage mich, ob die Lernumgebung eine GPU selbst kauft. Oder ist die Cloud der Mainstream?

Ich denke, dass jeder einmal Fragen dazu hatte, wie man es in der Praxis einsetzt und wie man es entwickelt. Ich wagte den Sprung und nahm einen Fragebogen, als ich für den Kurs verantwortlich war, für diejenigen, die sich wunderten und darüber nachdachten, ihn in der Praxis anzuwenden.

Das Ziel waren diejenigen, die maschinelles Lernen in der Praxis einsetzen, und wir konnten 32 Antworten erhalten (Dank an diejenigen, die geantwortet haben!). Bitte beachten Sie, dass möglicherweise ein Stichprobenfehler vorliegt, da die Antworten auf Twitter / Facebook angefordert wurden. Im Folgenden möchte ich die Ergebnisse mit meinen Ergebnissen veröffentlichen.

Ich wollte die Ergebnisse des Rohfragebogens veröffentlichen, habe jedoch den Link zu den Rohdaten weggelassen, da die Freiformantworten Datenschutzinformationen enthielten.

Frage 1: Bitte teilen Sie mir die Verwendung von maschinellem Lernen mit.

Dies war eine Frage: "Welchen Zweck nutzen Sie maschinelles Lernen überhaupt?" Es war eine überzeugende Zahl, da es viele Fälle gibt, in denen Empfehlungen und Kundenunterstützung verbessert werden. Es war jedoch überraschend, dass die Verbesserung der Fertigungsabläufe ebenfalls erheblich zugenommen hat. Ich hatte den Eindruck, dass in diesem Bereich viele (echte) Lösungen verkauft werden, die jedoch noch nicht in die Praxis umgesetzt wurden. Daher war ich persönlich überrascht, dass sie bis zu diesem Punkt wachsen würden.

F2. Bitte sagen Sie mir, wie ich Kunden maschinelles Lernen anbieten kann.

Dies war eine Frage, um zu bestätigen, dass es verschiedene Formen der Bereitstellung gibt, die als maschinelles Lernen bezeichnet werden können. Die Einbeziehung in Inhouse-Services ist die Nummer eins, und es kann davon ausgegangen werden, dass es viele Verwendungszwecke für "Verwendung zur Verbesserung von Inhouse-Services" gibt. Persönlich dachte ich, dass es viele Formen wie maschinelles Lernen gibt, aber es ist nicht viel gewachsen.

F3. Bitte teilen Sie uns das von Ihnen verwendete Gebiet des maschinellen Lernens mit.

Dies war eine Frage, die dem verwendeten Technologiebereich gestellt werden sollte. Bilder und natürliche Sprache sind immer noch zwei riesige Türme, aber ich wollte hier bestätigen, wie viel sogenannte "Generation System" -Technologie wie GAN und Neural Conversational Model in tatsächlichen Diensten verwendet wird. Es gibt noch nicht viele Beispiele für die Ergebnisse, und es stellte sich heraus, dass die Verwendung des Erkennungssystems im Mittelpunkt steht. Was überraschend war, war, dass es ungefähr 5 Fälle von Bestärkungslernen gab. Banditensystem der Werbung oder Robotersteuerung ... Ich weiß es nicht, weil ich nicht so viel genommen habe, aber ich würde es gerne in der Praxis anwenden.

F4. Bitte erzählen Sie uns etwas über die Umgebung, in der Sie maschinelles Lernen lernen.

Wo machen das alle beim maschinellen Lernen? Es war eine Frage, um das zu bestätigen. Das Ergebnis ist überwiegend unsere eigene Umwelt! Wenn Sie es ernsthaft im Service verwenden, scheint es schließlich besser zu sein, die Umgebung fest aufzubauen. Da sich jedes Unternehmen jedoch auf die GPU-Umgebung konzentriert, kann sich das Verhältnis in Zukunft ändern.

F5. Bitte sagen Sie mir, wo ich die Daten für maschinelles Lernen erhalten kann.

Dies war eine Frage, um das große Problem beim maschinellen Lernen zu bestätigen: "Wie werden Daten vorbereitet?". Nicht nur interne Daten, sondern auch offene Daten und Scraping sind recht gut. Natürlich beginnen wir an dem Ort, an dem es zunächst keine Daten gibt. Daher ist es wichtig zu wissen, welche öffentlichen Daten verfügbar sind, und (obwohl ich dies nicht offen tun kann) die Scraping-Technologie für die Datenerfassung wichtig ist. ..

F6. Bitte erzählen Sie uns von den schmerzhaften Ereignissen im Zusammenhang mit maschinellem Lernen.

Dies war eine Frage, um herauszufinden, wie sympathisch ich mit meinen persönlichen Anliegen war. Immerhin handelt es sich um ein Problem von "Daten" und "Humanressourcen". Dies scheint überall Kopfschmerzen zu sein. Es scheint, dass es viele Probleme gibt, wie "die Genauigkeit kommt nicht heraus", die als Zweiter herauskamen, und "es scheint, dass Sie alles tun können und es schwer zu erklären ist". In diesem Bereich tauchen nacheinander neue Frameworks und Methoden für maschinelles Lernen auf. In diesem Sinne war es überraschend, dass die Änderungen an Frameworks und Methoden zu schnell waren. In der Praxis gibt es wahrscheinlich einige feste, und es ist unwahrscheinlich, dass Sie den anderen folgen (im persönlichen Beobachtungsbereich scheint TensorFlow / Chainer im DNN-System (inländisch) fast verfestigt zu sein. nur)).

Da es schwierig ist, die Ergebnisse des maschinellen Lernens zu garantieren, dachte ich, dass es einige Probleme mit der Bestellmenge und dem Vertrag geben könnte, aber es ist hier nicht viel gewachsen. Erstens gibt es viele Menschen, die es für ihre eigenen Dienste nutzen, so dass es auch hier möglicherweise nicht so stark wächst.

F7. Andere Meinungen

Ich habe nicht viele Freiformfragen ausgefüllt, aber das Problem der Einstellung und des Trainings sowie die Inkonsistenz (Lärm) in den von Menschen eingegebenen Daten wurden als Kopfschmerzen erwähnt. War dort. Darüber hinaus gibt es eine Aussage, dass es auch ein Problem mit dem Modell gibt, das zu Ergebnissen in natürlicher Sprache geführt hat: "Funktioniert es auf Japanisch?". Ich denke, dies ist sicherlich ein schwieriger Punkt.

Wie war das. Wir hoffen, dass dieses Ergebnis Ihnen hilft, sich "maschinelles Lernen vor Ort" konkreter vorzustellen. Wir machen das! Wenn Sie eine solche Stimme haben, hinterlassen Sie bitte einen Kommentar.

[PYTHON] Umfrage zum Einsatz von maschinellem Lernen in realen Diensten