Machine Learning Inference

Що таке машинне навчання виведення

Висновок у машинному навчанні (ML) - це метод застосування моделі ML до набору даних і отримання результату або "передбачення". Цей результат може бути числовим значенням, зображенням або текстом. Тобто будь-який вид організованих або неструктурованих даних.

Модель ML часто є програмним кодом, який реалізує математичний метод. Процес ML-висновку поміщає цей код у виробниче середовище, що дозволяє йому створювати прогнози на основі даних, отриманих від реальних кінцевих користувачів.

Термін дії МЛ поділяється на дві частини:

• Навчання передбачає розробку ММ, навчання його шляхом виконання на прикладах наборів даних, а потім оцінку та підтвердження моделі на невидимих прикладах.
• Машинне навчання виводу передбачає запуск моделі на реальних даних для отримання дієвих результатів. На цьому етапі система виведення отримує вхідні дані від кінцевого користувача, аналізує інформацію, подає її в модель і повертає результати користувачам.

Як це працює?

На додаток до моделі, для побудови середовища ML-виведення потрібні 3 ключові компоненти:

• Джерела даних - Джерелом даних часто є система, яка збирає живі дані від механізму, що їх створює. Джерелом даних може бути, наприклад, кластер, який зберігає дані. Джерелом даних також може бути простий веб-додаток, який фіксує кліки користувачів і надає дані на сервер, що містить модель ML.
• Хост-система - Хост-система моделі ML отримує дані з джерел і подає їх в модель. Інфраструктура, необхідна для перетворення коду виведення в машинному навчанні в повністю працюючий додаток, забезпечується хост-системою. Після того, як модель ML генерує вихідні дані, хост-система доставляє цю продукцію до кінцевих точок даних.
• Кінцеві точки даних - це місця, куди хост-система повинна надсилати вихідні результати моделі ML. Кінцевою точкою може бути будь-яке сховище даних, з якого подальші програми обробляють результати.

Причинно-наслідковий висновок у машинному навчанні

Мета причинно-наслідкового висновку - встановити, чи буде втручання ефективним. Модель ML може лише сказати вам, чи існує зв'язок між двома змінними.

Ідея полягає в тому, що якщо все, що вам потрібно зробити, - це зробити точні прогнози, то причинно-наслідковий висновок не має значення. Однак, якщо ви хочете діяти на основі цих прогнозів або іншого компонента моделі, вам знадобиться якась причинно-наслідкова модель.

Статистичний висновок vs машинне навчання

Визначення понять "навчання" та "висновок" варіюється залежно від теми дослідження. Плутанина часто виникає, коли ці терміни використовуються недбало, безвідносно до конкретної професії.

На більш широкому рівні ми всі знаємо термін "висновок". Ми помічаємо якісь дані і хочемо отримати з них знання.

• Висновок - це процес дослідження фактів та отримання інформації з них.

Коли статистики обговорюють висновок, вони зазвичай мають на увазі статистичний висновок. Під час статистичного висновку ми бачимо деякі дані і хочемо сказати щось про процес, який створив ці дані. Як наслідок, статистичний висновок включає в себе прогнози, оцінку похибки прогнозу, перевірку гіпотез та оцінку параметрів.

З іншого боку, традиційні фахівці з машинного навчання, які мають технічну освіту, часто розрізняють поняття "висновок" і "навчання". Навчання пов'язане з параметрами моделі і не вважається безпосередньо питанням виведення. Як наслідок, розуміння терміну "висновок" статистиками є обмеженим. Зазвичай вважається, що висновок - це передбачення.

Розмежування навчання і висновків має перевагу в тому, що алгоритми машинного навчання автоматично відокремлюються від алгоритмів висновків. Хоча деякі параметри можуть бути визначені аналітично для конкретних випадків, більшість з них вимагають техніки навчання.

Аналогічно, в інших питаннях виведення, прогноз, як правило, не є операцією "увімкни і вимкни" і повинен бути обчислений за допомогою процесу виведення. У моделях з латентними змінними все набагато цікавіше, оскільки метод виведення часто є складовою частиною процесу навчання.

Нагадаємо, що різниця між навчанням і висновком визначається поглядом модельєра. Оцінка параметрів і навчання - це свого роду висновок, якщо мислити як статистик. Навчання - це, як правило, оцінка параметрів, а висновок - це, як правило, передбачення, якщо мислити як класичний дослідник машинного навчання. Різні точки зору важливі в різних ситуаціях.