Este es el segundo artículo con una traducción de capítulos individuales del libro de Andrew Un, Passion for Machine Learning. Puedes leer la traducción de los capítulos anteriores aquí .

Este artículo se centrará en el aprendizaje profundo de extremo a extremo, y el autor del libro compartirá algunas formas de analizar los errores del algoritmo de aprendizaje.

Aprendizaje profundo de punta a punta

Capítulo 47. El crecimiento del aprendizaje de extremo a extremo.

Suponga que desea crear un sistema para verificar las revisiones de productos en Internet, que automáticamente le informará si al autor de la revisión le gustó este producto o no. Por ejemplo, espera reconocer la siguiente revisión como muy positiva:

"Esta es una gran fregona!"

y lo siguiente es extremadamente negativo:

"Este trapeador es de mala calidad, perdón por la compra"

El problema de reconocer opiniones positivas y negativas se denomina "clasificación de los estados de ánimo". Para crear este sistema, puede crear una "tubería" de dos componentes:

Analizador : un sistema que anota texto con información, identificando las palabras más importantes. ¹ Por ejemplo, puede usar el analizador para denotar todos los adjetivos y sustantivos. Por lo tanto, recibirá el siguiente texto anotado:
- Esta es una gran fregona!
¹ De hecho, el analizador anota el texto mucho más rico que lo descrito, pero esta descripción simplificada será suficiente para explicar el aprendizaje profundo de extremo a extremo.
Clasificador de sentimientos : un algoritmo de aprendizaje que toma la entrada de texto anotado y predice su estado de ánimo general. Las anotaciones del analizador pueden ser de gran ayuda para este algoritmo: al darle más peso a los adjetivos, su algoritmo puede ser rápidamente pensado al procesar palabras importantes como "excelente" e ignorar palabras menos importantes como "esto".

Podemos visualizar esta tubería de dos componentes de la siguiente manera:

Recientemente, ha habido una tendencia a reemplazar las tuberías con un solo algoritmo de aprendizaje. Un algoritmo de aprendizaje de extremo a extremo para esta tarea simplemente tomaría el texto original en bruto “¡Este es un gran trapeador!” Como entrada e intenta reconocer directamente su estado de ánimo:

Las redes neuronales se usan comúnmente en sistemas de aprendizaje de extremo a extremo. El término "transferencia" se refiere al hecho de que le pedimos al algoritmo de aprendizaje que vaya directamente de la entrada al resultado deseado. Es decir, el algoritmo de aprendizaje conecta directamente el "extremo de entrada" del sistema con el "extremo de salida".

En tareas donde hay muchos datos, los sistemas de extremo a extremo han sido extremadamente exitosos. Pero no siempre son una buena opción. Los próximos capítulos darán más ejemplos de sistemas transversales, así como consejos sobre cuándo y cuándo no usarlos.

Capítulo 48. Otros ejemplos de aprendizaje transversal

Imagine que desea crear un sistema de reconocimiento de voz. Puede construir un sistema de tres componentes:

Los componentes funcionan de la siguiente manera:

Funciones informáticas: recupera características diseñadas manualmente, como MFCC ( coeficientes de cepstrum de frecuencia de Mel ), que intentan capturar el contenido de una oración e ignoran propiedades menos importantes como el tono en la dinámica.
Reconocimiento de fonemas: algunos lingüistas creen que hay unidades básicas de sonido llamadas "fonemas". Por ejemplo, el sonido inicial "k" en "keep" es el mismo fonema que el sonido "c" en "cake". Este sistema intenta reconocer fonemas individuales en grabaciones de audio.
End Recognizer: toma una secuencia de fonemas reconocidos e intenta vincularlos en un registro de salida.

A diferencia de esta "tubería", el sistema de extremo a extremo puede recibir una grabación de audio en la entrada e intentará transferirla directamente a la grabación de salida:

Hasta ahora, hemos descrito solo "transportadores" completamente lineales de aprendizaje automático: la salida se transmite secuencialmente de una etapa a otra. Pero los transportadores pueden ser más complejos. Por ejemplo, aquí hay una arquitectura simple para un vehículo no tripulado:

Este transportador incluye tres componentes: uno detecta otros automóviles utilizando la imagen de la cámara, el segundo detecta peatones y, por último, el último componente calcula la ruta de nuestro automóvil para evitar colisiones con otros automóviles y peatones.

No todos los componentes en esta tubería serán entrenados. Por ejemplo, la literatura sobre "planificación del movimiento de robots" describe muchos algoritmos para el cálculo final de la ruta de un automóvil. Muchos de estos algoritmos no requieren capacitación.

Por el contrario, el enfoque de extremo a extremo puede tratar de recibir lecturas del sensor y darle directamente al volante un giro en la dirección correcta:

Aunque la capacitación de extremo a extremo ha tenido muchos éxitos, este no es siempre el mejor enfoque. Por ejemplo, el reconocimiento de voz de extremo a extremo funciona bien. Pero soy escéptico sobre la formación transversal de la conducción autónoma para sistemas no tripulados. Los siguientes capítulos explican por qué.

Capítulo 49. Entrenamiento transversal: pros y contras

Considere el ejemplo anterior de la canalización de reconocimiento de voz:

Muchas de sus partes están diseñadas "manualmente":

MFCC es un conjunto de características de audio especialmente diseñadas. Y aunque proporcionan un resumen razonable de todo el audio recibido en la entrada, también simplifican la señal entrante al descartar cierta información.
Los fonemas son un invento de los lingüistas. Son una representación imperfecta de los sonidos del habla. Dado que los fonemas son una aproximación pobre a la realidad, un algoritmo que usa fonemas para representar el habla limitará la efectividad de todo el sistema de reconocimiento de voz.

Los signos de MFCC son robustos a ciertas propiedades del habla que no afectan el contenido, como el tono del hablante. Por lo tanto, ayudan a simplificar la tarea para el algoritmo de aprendizaje.
En la medida en que los fonemas son una representación razonable del habla, también pueden ayudar al algoritmo de aprendizaje a comprender los componentes básicos del sonido y, por lo tanto, aumentar su efectividad.

Tener más componentes diseñados a mano con mayor frecuencia permite que un sistema de reconocimiento de voz aprenda de menos datos. El conocimiento obtenido "manualmente" usando MFCC y fonemas "complementa" el conocimiento que nuestro algoritmo obtiene de los datos. Cuando tenemos pocos datos, este conocimiento es útil.

Ahora considere el sistema de extremo a extremo:

Este sistema no tiene suficiente conocimiento obtenido "manualmente". Por lo tanto, cuando el conjunto de entrenamiento es pequeño, este sistema puede funcionar peor que un transportador diseñado manualmente.

Sin embargo, cuando el conjunto de entrenamiento es grande, no hay restricciones debido al uso de MFCC o fonemas. Si el algoritmo de aprendizaje es una red neuronal suficientemente grande, y si está entrenado en un conjunto de entrenamiento lo suficientemente grande, tiene un gran potencial y quizás incluso se acerque a la tasa de error óptima.

Los sistemas de extremo a extremo tienden a tener éxito cuando hay muchos datos etiquetados para ambos extremos: el "extremo de entrada" y el "extremo de salida". En este ejemplo, necesitamos un gran conjunto de tales pares (audio y transcripción). Cuando los datos de este tipo no están disponibles para usted, aborde el aprendizaje con gran cuidado.

Si está trabajando en una tarea de aprendizaje automático en la que el conjunto de entrenamiento es muy pequeño, entonces la mayor parte de la información que estará disponible para su algoritmo se obtendrá gracias a su comprensión humana, es decir. de componentes diseñados manualmente.

Si prefiere no utilizar un sistema de extremo a extremo, debe decidir qué pasos habrá en su tubería y cómo deben encajar. En el próximo capítulo, ofreceremos algunas ideas para diseñar tales sistemas.

Capítulo 50. Selección de componentes de tubería: disponibilidad de datos

Cuando construye un transportador que no es un sistema de extremo a extremo, ¿qué componentes de este transportador serán una buena opción? La forma en que diseñe el transportador afectará en gran medida el rendimiento general del sistema. Un factor importante es la capacidad de recopilar fácilmente datos para capacitar a cada componente.

Por ejemplo, considere esta arquitectura de conducción autónoma:

Puede usar algoritmos de aprendizaje automático para detectar automóviles y peatones. Además, no es difícil para ellos recopilar datos: hay muchos conjuntos de datos de visión por computadora con una gran cantidad de automóviles y peatones marcados. También puede usar crowdsourcing (como Amazon Mechanical Turk) para obtener conjuntos de datos aún más grandes. Por lo tanto, será relativamente fácil recopilar datos de entrenamiento para crear un detector de automóviles y un detector de peatones.

Por el contrario, considere un sistema limpio de extremo a extremo:

Para entrenar este sistema, necesitamos un gran conjunto de elementos ya mapeados (imagen = volante girando en la dirección correcta). Esta es una tarea muy lenta y costosa. Para recopilar dichos datos, es necesario que las personas conduzcan automóviles y registren datos sobre cada giro del volante. Necesitará una flota completa de automóviles especialmente equipados y una gran cantidad de horas hombre de conducción para cubrir la gama más amplia posible de situaciones. Esto hace que el sistema de extremo a extremo sea muy difícil de aprender. Es mucho más fácil tomar un gran conjunto de imágenes etiquetadas de automóviles y peatones.

En un sentido más general, si hay una gran cantidad de datos disponibles para capacitar módulos transportadores "intermedios" (como un detector de automóviles o un detector de peatones), entonces debe pensar en usar un transportador que consta de varios componentes. Este método podría funcionar mejor, porque Puede utilizar todos los datos disponibles para entrenar módulos intermedios.

Hasta que haya más datos para los modelos de extremo a extremo, creo que el enfoque tradicional es mucho más prometedor para la conducción autónoma: su arquitectura coincide mejor con la disponibilidad de datos actual.

Capítulo 51. Elección de los componentes del transportador: simplicidad de tareas

Además de la disponibilidad de datos, también debe considerar el segundo factor al elegir los componentes de la tubería: ¿qué tan simples son las tareas que resuelven los componentes individuales? Debe intentar seleccionar los componentes del transportador para que sean fáciles de construir o de aprender. Pero, ¿qué significa que un componente sea fácil de aprender?

Considere las siguientes tareas de aprendizaje automático, enumeradas en orden creciente de complejidad:

La definición está sobreexpuesta a la imagen presentada (como en el ejemplo anterior).
Determinar si una imagen se toma en interiores o exteriores.
Determinar si hay un gato en la imagen.
Determinar si hay un gato en la imagen con pelaje blanco y negro.
Determinación de si hay un gato siamés en la imagen (cualquier raza particular de gatos).

Para cada uno de estos problemas de clasificación binaria, necesita obtener una imagen en la entrada y salida 0 o 1. Pero las tareas enumeradas anteriormente en la lista parecen ser "más fáciles" de aprender para las redes neuronales. Puede entrenar el algoritmo para tareas más simples con menos ejemplos de entrenamiento.

En la etapa actual del aprendizaje automático, no existe una buena definición formal de lo que hace que una sola tarea sea fácil o difícil. ² Con el crecimiento del aprendizaje profundo y las redes neuronales multicapa, a veces llamamos fácil al problema si se puede resolver con menos pasos de cálculo (por ejemplo, usando redes neuronales con pocas capas), y llamamos difícil la tarea si requiere más pasos informática (que corresponde a una red neuronal profunda). Pero esta es una definición informal.

² En la teoría algorítmica de la información, existe el concepto de complejidad de Kolmogorov, que establece que la complejidad de la función que se está estudiando es la longitud del programa de computadora más corto que puede producir esta función. Este concepto teórico ha encontrado varias aplicaciones prácticas en IA.

Si tiene la oportunidad de dividir una tarea compleja en subtareas más simples, al codificar con precisión cada subtarea, le dará al algoritmo un conocimiento más importante que puede ayudarlo a resolver el problema de manera más eficiente.

Imagine que está diseñando un detector de gato siamés. Aquí hay una arquitectura limpia de extremo a extremo:

Por el contrario, puede usar un transportador de dos componentes:

En el primer paso (detector de gatos), se reconocerán todos los gatos de la imagen.

Luego, en el segundo paso, las imágenes recortadas de cada uno de los gatos detectados, uno a la vez, se transfieren al clasificador de la raza. Y finalmente, si alguno de los gatos detectados es un gato siamés, obtenemos "1" en la salida.

En comparación con la enseñanza de un clasificador puramente de paso que usa solo etiquetas 0/1, cada uno de los dos componentes en la tubería (detector de gatos y clasificador de razas) parece más fácil de aprender y requiere significativamente menos datos. ³

³ Si está familiarizado con los algoritmos de detección de objetos que realmente se usan en la práctica, comprenderá que están entrenados no solo con las etiquetas de imagen 0/1. En cambio, reciben capacitación utilizando el marco restrictivo proporcionado como parte de los datos de capacitación. Su discusión está más allá del alcance de este capítulo.

Y el último ejemplo, recordemos nuevamente la tubería para la tarea de conducción autónoma:

Con este transportador, le dice al algoritmo que hay tres pasos clave para conducir un automóvil:

Reconocer otros autos.
Reconocer a los peatones.
Planifique la dirección de un mayor movimiento.

Cada uno de estos pasos es una tarea más simple y se puede entrenar con menos datos que con un enfoque puramente transversal.

Como resultado, al decidir cuáles deben ser los componentes de la tubería, intente construir una tubería donde cada componente sea una función relativamente "simple" que solo pueda ser entrenada en una pequeña cantidad de datos.

Capítulo 52. Aprendiendo con información inmersiva

El algoritmo de clasificación de imágenes toma una imagen de entrada X y produce un número entero, que es una etiqueta para la categoría del objeto. ¿Puede el algoritmo generar una oración completa que describa la imagen?

Por ejemplo:

Y = "Un autobús amarillo circula por la carretera entre árboles y hierba verde".

La aplicación tradicional de la enseñanza con un maestro implica la presencia de una función entrenada h: X → Y, donde la salida (y) generalmente está representada por un número entero o natural. Por ejemplo:

Desafío	X	Y
Antispam	Correo electrónico	Spam / No Spam (0/1)
Reconocimiento de imagen	Imagen	Etiqueta entera
Previsión de precios inmobiliarios	Características de la casa	Precio en dolares
Recomendación de producto	Producto y especificaciones del cliente	Probabilidad de compra

Una de las cosas más emocionantes del aprendizaje profundo transversal es que nos permite aprender directamente Y, que es mucho más complicado que los números. En el ejemplo con la tarea de descripción de imagen mencionada anteriormente, puede aplicar alguna imagen (x) a la entrada de la red neuronal y obtener una descripción inmediata (y) en la salida.

Aquí hay algunos ejemplos:

Desafío	X	Y	Cita del trabajo
Descripción de imágenes	Imagen	Texto	Mao y otros, 2014
Traducción automática	Texto en ingles	Texto en francés	Suskever y otros, 2014
Respuestas a preguntas	Par (texto + pregunta)	Respuesta a la pregunta	Bordes y otros, 2015
Reconocimiento de voz	Audio	Transcripción	Hannun y otros, 2015
Texto a voz	Etiquetas de texto	Audio	Van der Oord et al., 2016

Esta es una tendencia creciente en el aprendizaje profundo: cuando tiene los pares etiquetados (entrada, salida) correctos, a veces puede elegir la capacitación de extremo a extremo, incluso si la salida es una oración, imagen, audio o cualquier otra salida que contenga mucha más información, que solo números de etiqueta individuales.

Análisis de error parcial.

Capítulo 53. Análisis de errores en partes.

Suponga que su sistema se construye utilizando una tubería sofisticada de aprendizaje automático, y le gustaría mejorar la eficiencia del sistema. ¿Qué parte del transportador debería mejorar? Al atribuir errores a partes específicas de la tubería, puede decidir cómo priorizar su trabajo.

Usemos nuestro ejemplo de clasificador de gatos siameses:

La primera parte, un detector de gatos, detecta gatos y los elimina de toda la imagen. La segunda parte, el clasificador de raza de gato, decide si este gato es un gato siamés. Puede pasar años trabajando para mejorar cualquiera de estos dos componentes del transportador. ¿Cómo decides en qué componente enfocarte?

Al llevar a cabo el análisis de errores en partes, puede intentar atribuir cada error del algoritmo a una de las dos partes de la tubería (y, a veces, ambas a la vez). Por ejemplo, el algoritmo clasifica incorrectamente esta imagen como que no contiene un gato siamés (y = 0), aunque la etiqueta correcta es y = 1.

Verifiquemos manualmente qué hace el algoritmo en cada uno de los dos pasos. Supongamos que un detector de gato siamés detecta un gato de la siguiente manera:

Esto significa que el clasificador de raza de gato recibirá esta imagen:

El clasificador de raza clasifica correctamente esta imagen como que no contiene un gato siamés.Por lo tanto, el clasificador de raza de gato es inocente: recibió un montón de piedras en la entrada y le dio una marca muy razonable y = 0. De hecho, una persona que clasifica la imagen recortada de arriba también predeciría y = 0. Por lo tanto, puede atribuir claramente este error a detector de gatos

Por otro lado, si un detector de gatos muestra el siguiente cuadro delimitador:

entonces concluiría que el detector de gatos hizo su trabajo correctamente y que el error ocurrió debido al clasificador de la raza.

Suponga que revisó 100 imágenes clasificadas incorrectamente de una muestra de validación y descubrió que 90 errores estaban relacionados con un detector de gatos y solo 10 errores relacionados con un clasificador de raza de gato. Puede concluir con seguridad que debe centrarse más en mejorar su detector de gatos.

Además, también ha encontrado con éxito 90 ejemplos en los que el detector de gatos mostró el cuadro delimitador incorrecto. Puede usar estos 90 ejemplos para un
análisis más profundo de los errores del detector de gatos para ver cómo mejorarlo.

Hasta ahora, nuestra descripción de cómo atribuir el error a una parte de la tubería ha sido informal: usted mira el resultado de cada parte y ve si puede decidir cuál cometió el error. Este método informal puede ser suficiente. Pero en el próximo capítulo, también verá una forma más formal de atribuir errores.

Capítulo 54. Atribución de error a una parte específica

Continuemos con nuestro ejemplo:

Supongamos que el detector de gatos produce este cuadro delimitador:

Por lo tanto, el clasificador de raza recibió esta imagen recortada, después de lo cual emitió incorrectamente y = 0, es decir que no hay gato en la foto.

El detector de gatos hizo un mal trabajo. Mientras que una persona entrenada sin duda podrá reconocer al gato siamés en esta imagen recortada. Por lo tanto, ¿atribuimos este error a un detector de gatos, a un clasificador de raza, o a ambos? Poco claro

Si el número de casos tan controvertidos es pequeño, podemos tomar cualquier decisión y obtener un resultado similar. Pero aquí hay una prueba más formal, que nos permite atribuir con mayor precisión el error a exactamente una parte:

Reemplace la salida del detector de gatos con un marco marcado manualmente.
Pase la imagen recortada correspondiente a través del clasificador de raza. Si el clasificador de raza todavía no clasifica la imagen correctamente, atribuya el error al clasificador de raza. De lo contrario, atribuya el error al detector de gatos.

En otras palabras, realice un experimento en el que envíe datos ideales a la entrada del clasificador de rocas. En este caso, son posibles 2 opciones:

Incluso con un marco ideal, el clasificador de raza erróneamente y = 0. En este caso, el clasificador es sin duda el culpable.
Habiendo recibido un marco ideal, el clasificador de raza correctamente y = 1. Esto muestra que si solo el detector de gato produjera una caja de delimitación más perfecta, entonces la conclusión general del sistema sería correcta. Por lo tanto, atribuimos el error al detector de gatos.

Después de realizar dicho análisis de imágenes clasificadas incorrectamente de la muestra de validación, ahora puede atribuir inequívocamente cada error a un componente. Esto le permite estimar la proporción de errores asociados con cada componente de la tubería y, por lo tanto, decidir en qué centrar su atención.

Capítulo 55. El caso principal de atribuir errores

Estos son los pasos generales para atribuir errores. Suponga que la tubería tiene tres etapas A, B y C, donde A se alimenta directamente a B y B se alimenta directamente a C.

Para cada error que el sistema comete en la muestra de validación:

Intente reemplazar manualmente la salida de la etapa A con salida "ideal" (es decir, caja de delimitación "ideal" para el gato) y continúe con el resto del transportador B, C con dicha salida. Si el algoritmo ahora produce el resultado correcto, esto indica que solo la etapa A debería mejorar su propia salida para que todo el algoritmo funcione correctamente. Por lo tanto, puede atribuir este error al componente A. De lo contrario, vaya al paso 2.
Intente reemplazar manualmente la salida de la etapa B con salida "perfecta". Si todo el algoritmo comenzó a funcionar correctamente, entonces atribuya el error al componente B. De lo contrario, vaya al paso 3.
Atribuya el error al componente C.

Eche un vistazo a un ejemplo más complejo:

Tu dron usa este transportador. ¿Cómo, utilizando el análisis de errores por partes, determinar en qué componente enfocarse?

Puede marcar los componentes de la siguiente manera:

A. Reconocer autos.
B. Reconocer a los peatones.
C. Planifica el camino.

Siguiendo el procedimiento descrito anteriormente, suponga que prueba su automóvil en un campo de entrenamiento cerrado y encuentra un caso en el que el automóvil elige una maniobra en una dirección más pronunciada de lo que haría un conductor experimentado. En el mundo de la conducción no tripulada, un evento de este tipo generalmente se denomina guión. En este caso:

A ( ) «» (.. ). B C , C ( ) «» A. , , A , . A. 2.
B ( ) «» . , B. 3.
C.

Los componentes de la tubería de aprendizaje automático deben organizarse de acuerdo con un gráfico acíclico dirigido (DAG), lo que significa que debe poder calcularlos en un orden fijo de izquierda a derecha, y los componentes posteriores deben depender solo de las salidas de los componentes anteriores. Mientras la
disposición de los componentes en el orden A → B → C se corresponda con el orden del DAG, el análisis de errores procederá correctamente.

Puede obtener resultados ligeramente diferentes si intercambia A y B:

A. Reconocer a los peatones (anteriormente reconocimiento de automóviles)
B. Reconocer automóviles (anteriormente reconocimiento de peatones)
C. Planifique la ruta de su automóvil

Pero el resultado de este análisis seguirá siendo cierto y dará una buena orientación sobre en qué debe centrar su atención.

Capítulo 56. Análisis de errores en partes y comparación con eficiencia a nivel humano.

Llevar a cabo un análisis de errores en un algoritmo de aprendizaje es similar a usar la ciencia de datos para analizar los errores del sistema ML para tener una idea de qué hacer a continuación. En la mayoría de los casos, un análisis de error poco sistemático nos dirá qué componente vale la pena intentar mejorar sobre todo.

Supongamos que tiene un conjunto de datos sobre clientes que compran cosas en un sitio web. Un científico de datos puede analizar datos de muchas maneras diferentes. Puede sacar muchas conclusiones diferentes sobre si el sitio debería aumentar los precios, sobre el valor de los clientes adquiridos a través de varias campañas de marketing, etc. No existe una única forma "correcta" de analizar un conjunto de datos, hay muchas posibles ideas útiles que pueden surgir. Del mismo modo, no hay una forma "correcta" de analizar los errores. En estos capítulos, aprendió algunos de los patrones de diseño más comunes para obtener información útil sobre su sistema ML, pero también puede experimentar libremente con otros métodos de análisis de errores.

Volviendo a la aplicación de vehículo no tripulado, en la que el algoritmo de detección de automóviles muestra la ubicación (y posiblemente la velocidad) de los automóviles cercanos, el algoritmo de detección de peatones muestra la ubicación de los peatones más cercanos, y estas dos salidas finalmente se utilizan para planificar la ruta del automóvil.

Para depurar esta canalización y no seguir estrictamente el procedimiento que vio en el capítulo anterior, puede hacer las siguientes preguntas:

¿Qué tan lejos está el algoritmo de reconocimiento de automóviles de la eficiencia humana para resolver un problema similar?
¿Qué tan lejos está el algoritmo de reconocimiento de peatones del desempeño humano para resolver un problema similar?
? , , ( ). , « » , ?

Si encuentra que uno de los componentes del sistema está lejos de la eficiencia humana, tendrá una buena oportunidad para concentrarse en mejorar la efectividad de este componente.

Muchos procesos de análisis de errores funcionan mejor cuando intentamos automatizar algo que una persona puede hacer, por lo que comparamos los resultados con los resultados de una persona. La mayoría de nuestros ejemplos anteriores tenían esta suposición implícita. Si está creando un sistema ML en el que la salida final o algunos de los componentes intermedios hacen cosas que incluso una persona no puede hacer bien, entonces algunos de estos procedimientos no se aplicarán.

Esta es otra ventaja de trabajar en problemas que las personas pueden resolver: tiene herramientas más poderosas para analizar errores y, por lo tanto, puede priorizar de manera más efectiva el trabajo de su equipo.

Capítulo 57. Detección de errores en la tubería de ML

¿Qué sucede si cada componente individual de su transportador ML muestra eficiencia a nivel humano o un poco más bajo, pero el transportador general no corresponde con el nivel humano? Por lo general, esto significa que el transportador tiene fallas y necesita ser rediseñado. El análisis de errores también puede ayudarlo a determinar si su tubería necesita ser rediseñada.

En el capítulo anterior, planteamos la pregunta: ¿muestra cada uno de los tres componentes eficiencia a nivel humano? Supongamos que la respuesta a las tres preguntas es sí. Entonces:

, , () .
, , () .
, , , , , ( ).

Sin embargo, su vehículo no tripulado hace frente a la conducción significativamente peor que una persona. Es decir, las personas que tienen acceso a las imágenes de la cámara pueden planificar la ruta del automóvil mucho mejor. ¿Qué conclusión puedes hacer?

La única conclusión posible es que su tubería de ML no está diseñada correctamente. En este caso, el componente que planifica la ruta del automóvil funciona tan bien como permite los datos entrantes que no contienen suficiente información. Debe preguntarse qué otra información que no está en la salida de los dos componentes anteriores es necesaria para una planificación excelente de la ruta del automóvil. En otras palabras, ¿qué otra información utiliza un conductor experimentado?

Supongamos que comprende que un conductor humano también necesita ver las marcas viales. Esto sugiere que debe aplicar ingeniería inversa a la tubería de la siguiente manera: ⁴

⁴ , , . «Task simplicity», 51, , . « » — , / .

En última instancia, si cree que su tubería en su conjunto no podrá lograr la eficiencia humana, incluso si cada componente individual tiene eficiencia a nivel humano (recuerde que está comparando con una persona que tiene los mismos datos de entrada que el componente) , entonces dicho transportador tiene inconvenientes y debe ser rediseñado.

Conclusión

Capítulo 58. Construye un súper equipo, comparte este conocimiento con tus camaradas

¡Felicitaciones por completar este libro!
En el capítulo 2, hablamos sobre cómo este libro puede ayudarlo a convertirse en un superhéroe en su equipo.

Lo único que puede ser mejor que ser un superhéroe es ser parte de un equipo de superhéroes. ¡Espero que compartas copias de este libro con tus amigos y compañeros de equipo y ayudes a crear otros superhéroes!

Andrew Eun "Pasión por el aprendizaje automático". Traducción de los capítulos 47-58