電子發(fā)燒友App
實時機器學(xué)習(xí)是指通過向機器學(xué)習(xí)模型提供實際數(shù)據(jù)來不斷改進機器學(xué)習(xí)模型。數(shù)據(jù)分析師/科學(xué)家或開發(fā)人員使用先前測試集的集合脫機創(chuàng)建模型。所有部門和行業(yè)都盡最大努力從機器學(xué)習(xí)中獲得所有可能的好處，無論是認知研究還是自動連續(xù)過程?？紤]像Google Home這樣的智能家居助理或智能活動跟蹤設(shè)備，Alexa或Siri等語音識別系統(tǒng)，或自動駕駛汽車。這種人工技術(shù)已經(jīng)進步了很多。
機器學(xué)習(xí)更多地分為其他類型，定義如下：
監(jiān)督學(xué)習(xí)：您的模型預(yù)測正確的結(jié)果/標簽。大多數(shù)監(jiān)督學(xué)習(xí)算法包括線性和邏輯回歸;
無監(jiān)督學(xué)習(xí)：這種學(xué)習(xí)尋找數(shù)據(jù)集中預(yù)先存在標簽的模式;
強化學(xué)習(xí)：這種學(xué)習(xí)是指如何阻止或鼓勵某些行為;
由于數(shù)據(jù)漂移，機器學(xué)習(xí)模型的準確性會隨著時間的推移而下降。更新的頻率決定了模型的運行效率。雖然像谷歌、阿里巴巴和Facebook這樣的企業(yè)已經(jīng)能夠使用實時管道來不斷改變生產(chǎn)中的幾種算法并提高他們的性能，但許多其他企業(yè)仍然手動更新他們的模型。在本文中，我們將討論機器學(xué)習(xí)當(dāng)前持續(xù)學(xué)習(xí)狀態(tài)的動機、困難和潛在解決方案。
提供給機器學(xué)習(xí)模型的數(shù)據(jù)的價值通常是最重要的，因為它可以立即用于做出適當(dāng)?shù)臎Q策。但是，用戶數(shù)據(jù)通常會被引入、轉(zhuǎn)換、存儲，并在機器學(xué)習(xí)模型使用之前長時間處于空閑狀態(tài)。
面向消費者的產(chǎn)品（如 Headspace 應(yīng)用程序）通過使用消費者數(shù)據(jù)提供實時見解和判斷，可以顯著減少邊緣用戶反饋循環(huán)。這是因為用戶在片刻之前采取了可以完全集成到項目中的操作，為消費者提供更有意義、個性化定制和情境內(nèi)容的建議。
然而，對于流或?qū)崟r數(shù)據(jù)，孟菲斯平臺被廣泛使用，并提供機器學(xué)習(xí)算法的訓(xùn)練。
實時機器學(xué)習(xí)通過提供準確的數(shù)據(jù)來不斷改進機器學(xué)習(xí)模型。
機器學(xué)習(xí)模型應(yīng)用于流數(shù)據(jù)管道。此工作流在稱為流式機器學(xué)習(xí)的過程中以實時塊的形式吸收和修改供應(yīng)商和目標之間的數(shù)據(jù)。
持續(xù)學(xué)習(xí)和機器學(xué)習(xí)預(yù)測延遲可以通過流式處理基礎(chǔ)結(jié)構(gòu)得到改善。計算的一部分是小型數(shù)據(jù)集的批處理。
機器學(xué)習(xí)和數(shù)據(jù)分析技術(shù)適用于幫助大型流媒體系統(tǒng)的安全性。機器學(xué)習(xí)（也稱為模型訓(xùn)練）根據(jù)所需的給定數(shù)據(jù)創(chuàng)建預(yù)測模型。
當(dāng)基于知識的算法（如實時機器學(xué)習(xí)或深度神經(jīng)網(wǎng)絡(luò)）得到正確使用時，它們受益最大。圖像識別 現(xiàn)實生活中常用且廣泛的機器學(xué)習(xí)應(yīng)用是圖像識別。
為什么需要實時機器學(xué)習(xí)
由于需要事先有更多可用數(shù)據(jù)進行訓(xùn)練，或者當(dāng)數(shù)據(jù)必須響應(yīng)不同的趨勢時，實時機器學(xué)習(xí)可能會有所幫助。例如，如果客戶的偏好和需求隨時間而變化，則不斷改進的基于機器學(xué)習(xí)的項目推薦器可以適應(yīng)這些變化，而無需額外的再培訓(xùn)。因此，通過識別新趨勢并進行調(diào)整以反映它們，實時機器學(xué)習(xí)可以為企業(yè)及其消費者提供更即時的準確性。
實時機器學(xué)習(xí)模型通常以這種方式部署到事件驅(qū)動架構(gòu)中的生產(chǎn)環(huán)境，其中數(shù)據(jù)不斷注入到模型中。用于處理數(shù)據(jù)流的管道處理使數(shù)據(jù)準備好輸入模型所需的所有數(shù)據(jù)優(yōu)化和操作。管道使用實時數(shù)據(jù)同時修改模型及其構(gòu)建所基于的參考數(shù)據(jù)集。
在過去的幾年里，高性能技術(shù)在我們的日常生活中每天都在增加。人工智能的范圍及其各自的工作現(xiàn)在在行業(yè)中備受推崇。從Siri或Alexa等語音助手到高科技咖啡機，這些正在成為我們?nèi)粘Ｉ畹闹匾M成部分，導(dǎo)致機器學(xué)習(xí)人工智能工作的積極發(fā)展。
實時數(shù)據(jù)流平臺
你可以收集、處理、評估大量數(shù)據(jù)，并通過實時數(shù)據(jù)流服務(wù)向?qū)崟r應(yīng)用和分析服務(wù)提供持續(xù)流式處理。通過利用安全、高度可訪問、強大且適應(yīng)性強的集中管理服務(wù)，開發(fā)人員可以輕松創(chuàng)建實時應(yīng)用程序。
實時數(shù)據(jù)流是從多個來源收集和吸收一系列數(shù)據(jù)，然后實時解釋這些數(shù)據(jù)以獲取信息。實時數(shù)據(jù)流允許用戶立即檢查和處理數(shù)據(jù)，而不必等待一段時間或更長時間才能獲得結(jié)果。
由Web應(yīng)用程序用戶生成的日志文件，電子商務(wù)預(yù)付款，來自社交網(wǎng)絡(luò)的數(shù)據(jù)，來自金融平臺的交易信息，地理分析服務(wù)以及來自智能小工具的衛(wèi)星跟蹤都是流數(shù)據(jù)的示例。
實時數(shù)據(jù)流有五個組件：
來源：數(shù)以千計的設(shè)備每秒生成數(shù)百萬個數(shù)據(jù)，如移動設(shè)備、Web 應(yīng)用程序等。
流攝?。?/strong>使您能夠掌握上述設(shè)備產(chǎn)生的數(shù)千條數(shù)據(jù);
流存儲：將用于保存各種數(shù)據(jù)的內(nèi)存
流處理
目標：為分析保密提供流數(shù)據(jù)以供進一步分析;
一個廣泛用于持續(xù)處理數(shù)據(jù)流的主要平臺是Memphis 。
Memphis?
Memphis 是開發(fā)實時系統(tǒng)的所有問題的新興解決方案。它聲稱是最快的解決方案，并且已被證明是最快的解決方案。它有助于比市場上任何平臺更快地構(gòu)建流媒體平臺。Memphis 的主要好處是它是一個可公開訪問的開源平臺。該平臺是一個易于訪問的實時數(shù)據(jù)集成器。
特征
當(dāng)前
它在幾分鐘內(nèi)提供了一個完全優(yōu)化的消息代理。
它提供了一個直觀的用戶界面，例如命令行界面。
它提供了數(shù)據(jù)級別的可觀測性。
它在傳輸過程中提供消息的路由。
它利用軟件開發(fā)工具包，如Python Node.JS等。
來
它將使用更多的 SDK。
它將提供準備好的連接和分析工具。
它將提供內(nèi)聯(lián)處理。
使用Memphis 的優(yōu)點
Memphis 的平臺能夠構(gòu)建下一代應(yīng)用程序，這些應(yīng)用程序需要大量流和增強數(shù)據(jù)、當(dāng)前協(xié)議、零操作、快速開發(fā)、大幅降低成本以及面向數(shù)據(jù)的程序員和數(shù)據(jù)工程師的更少開發(fā)時間。孟菲斯的主要重點是：
性能 – 提高緩存利用率;
彈性 – 提供 99.95% 的正常運行時間;
可觀察性 – 正確的觀察，減少故障排除時間;
開發(fā)人員體驗 – 內(nèi)聯(lián)處理、模式管理、模塊化和頂部;
實時機器學(xué)習(xí)場景
對于商業(yè)研究人工智能，計算機系統(tǒng)可以使用機器學(xué)習(xí)來使用所有客戶數(shù)據(jù)。它遵循已經(jīng)編程的必需指令，同時仍會根據(jù)不同的情況進行更改或調(diào)整。顯示以前無法執(zhí)行行為的數(shù)據(jù)會導(dǎo)致算法發(fā)生變化。
如果數(shù)字助理能夠了解情況，它可能會閱讀電子郵件并檢索重要信息。這種理解伴隨著將未來客戶端行為作為內(nèi)置功能預(yù)測的能力。因此，您可能對消費者的需求更加積極和靈活。
深度學(xué)習(xí)屬于機器學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)有三層?？梢允褂脝螌由窠?jīng)網(wǎng)絡(luò)進行粗略估計。精度和性能都可以通過添加更多層來提高。機器學(xué)習(xí)在各種不同的區(qū)塊和業(yè)務(wù)中都有幫助，并且可以隨著時間的推移更有效地向前發(fā)展。以下是機器學(xué)習(xí)的實際應(yīng)用的五個實例。
模式/圖像識別
模式或圖像識別是機器學(xué)習(xí)在物理世界中的常見且廣泛使用的應(yīng)用。根據(jù)深色或淺色或黑白或彩色圖像中像素的嚴重性，它可以將項目識別為數(shù)碼照片。它現(xiàn)實生活中的例子是診斷X射線是否患有癌癥。
屬于圖像識別類別的方法集合，圖像識別是人工智能的一個分支，代表圖像的檢測和解釋，以實現(xiàn)特定活動的自動化。它是一種可以識別圖像中的物體、人物、地點和其他各個方面并通過分析得出結(jié)論的方法。
語音識別
與文本交談是機器學(xué)習(xí)的一種能力。文本文件可以使用特定的計算機軟件生成，該軟件可以轉(zhuǎn)換語音和錄音或錄制的語音。語音根據(jù)時頻帶的強度進一步表征為片段。現(xiàn)實生活中的單詞示例包括語音撥號和語音搜索。
麥克風(fēng)必須產(chǎn)生類似于波的電信號，然后任何系統(tǒng)才能理解語音。然后，該信號由計算機或計算機網(wǎng)絡(luò)（例如設(shè)備的聲卡）轉(zhuǎn)換為二進制代碼。語音識別軟件檢查數(shù)字數(shù)據(jù)以識別不同的元音，這是語音的基本組成部分。這些單詞是通過重新組合輔音來創(chuàng)建的。但是，由于如此多的單詞具有相似的聲音，因此算法必須根據(jù)情況來選擇正確的術(shù)語。
醫(yī)療診斷
機器學(xué)習(xí)可以幫助進行醫(yī)學(xué)診斷。許多臨床醫(yī)生使用語音軟件來識別疾病集群。它的真實例子包括分析體液。
預(yù)測分析
可用數(shù)據(jù)可以通過機器學(xué)習(xí)分為研究人員制定的法規(guī)進一步定義的類別。研究人員可以在分類完成后確定缺陷的可能性。一個現(xiàn)實生活中的例子包括檢查交易是有效的還是欺詐的。
萃取
從非結(jié)構(gòu)化數(shù)據(jù)中，機器學(xué)習(xí)可以檢索特定數(shù)據(jù)。企業(yè)收集無數(shù)的客戶數(shù)據(jù)。為預(yù)測數(shù)據(jù)分析工具自動標記數(shù)據(jù)集的過程使用機器學(xué)習(xí)算法?，F(xiàn)實生活中的例子包括幫助醫(yī)生治療問題并輕松診斷它們。此提取由我們的平臺孟菲斯執(zhí)行，這使得它對我們更有幫助，因為它通過使用云提供了一個更現(xiàn)實和全面的系統(tǒng)。
在線預(yù)測
AI 平臺預(yù)測旨在盡可能快地使用專用模型處理您的數(shù)據(jù)。該服務(wù)從您那里接收少量數(shù)據(jù)并響應(yīng)您的預(yù)測。
由于維護日志的費用，默認情況下，自動網(wǎng)絡(luò)預(yù)測工具不會提供有關(guān)查詢的記錄信息。每秒處理多個請求的在線預(yù)測可能會生成大量由云監(jiān)控收費的日志。
當(dāng)您希望在低延遲方案中將每個示例與其他實例分開進行預(yù)測時，將使用在線預(yù)測上下文。
例如，預(yù)測可用于快速確定到期金額是否最有可能是欺詐性的。
雖然我認為持續(xù)學(xué)習(xí)的廣泛采用還需要幾十年的時間，但我觀察到企業(yè)在轉(zhuǎn)向在線預(yù)測方面付出了相當(dāng)大的努力。我們將描述采用批次特征的簡單在線預(yù)測系統(tǒng)的要求，通常有助于會話中適應(yīng)，從批次預(yù)測系統(tǒng)開始。稍后，我們將討論開發(fā)一種同時使用批處理和流式處理功能的在線預(yù)測工具。
要求
對于此階段，您必須執(zhí)行以下操作：
將模型從批量預(yù)測切換到基于會話的預(yù)測。
在在線預(yù)測工具中包含會話數(shù)據(jù)。
您無需為使用在線預(yù)測時未查看您網(wǎng)站的用戶創(chuàng)建聯(lián)想查詢。例如，在 2020 年，Grub Hub 報告了 31 萬月活躍消費者和 620，000 個平均訂單。想象一下，每天只有 2% 的消費者登錄您的應(yīng)用程序。
如果您每天為每個客戶生成預(yù)測，那么生成 98% 的在線預(yù)測所需的計算能力將毫無用處。
持續(xù)學(xué)習(xí)
持續(xù)學(xué)習(xí)（也稱為增量學(xué)習(xí)）背后的想法是按時間順序?qū)W習(xí)許多多個作業(yè)的模型，而不會忽略從它們之前的任務(wù)中獲得的信息，即使在訓(xùn)練新任務(wù)時不再提供舊任務(wù)的統(tǒng)計數(shù)據(jù)。
人們在聽到“持續(xù)學(xué)習(xí)”時，會立即想到頻繁的模型更新，比如每五分鐘更新一次。許多人認為，大多數(shù)企業(yè)不需要定期進行更改，因為：
為了理解重新訓(xùn)練的時間線，他們需要流量。
他們的模型不會退化得那么快。
我同意他們的看法。然而，持續(xù)學(xué)習(xí)并不是關(guān)于模型重新訓(xùn)練頻率的頻率;這是關(guān)于它是如何重新訓(xùn)練的。
大多數(shù)企業(yè)使用無狀態(tài)再訓(xùn)練，其中每次模型都是從頭開始編程的。持續(xù)學(xué)習(xí)需要啟用有狀態(tài)訓(xùn)練，其中模型通過新的輸入不斷學(xué)習(xí)。持續(xù)學(xué)習(xí)是我們的目標，也是我們認為許多企業(yè)最終會遵循的目標。
當(dāng)邊緣部署和持續(xù)學(xué)習(xí)相結(jié)合時，達到峰值。Envision可以提供帶有新小工具（手機，可穿戴手表等）的基本模型，并讓該模型自動跟蹤并根據(jù)周圍環(huán)境進行自定義。無需在設(shè)備和云之間不斷傳輸數(shù)據(jù)，也沒有客戶端-服務(wù)器成本。
結(jié)論
實時機器學(xué)習(xí)的主要問題是設(shè)備。平臺團隊和計算機分析或機器學(xué)習(xí)團隊必須協(xié)作才能找到解決方案。持續(xù)學(xué)習(xí)和在線預(yù)測需要一個發(fā)達的流媒體平臺。繼續(xù)學(xué)習(xí)的培訓(xùn)部分可以分批完成，但其在線評估部分需要流式傳輸。流媒體既困難又昂貴，這讓許多開發(fā)人員感到擔(dān)憂。雖然三年前是準確的，但流媒體技術(shù)已經(jīng)有了很大的進步。許多知名公司現(xiàn)在正在提供并越來越多地提出一種解決方案，以簡化企業(yè)向流媒體的過渡。孟菲斯在流媒體方面發(fā)揮著重要作用，借助其基于云的系統(tǒng)使其效率更高。
如今，許多開發(fā)人員正在進行民意調(diào)查，以了解有關(guān)實時機器學(xué)習(xí)使用和行業(yè)障礙的更多信息。您只需幾分鐘即可與他們分享您的意見。結(jié)果在編譯和匯總后將通知用戶。
審核編輯：郭婷
工商網(wǎng)監(jiān)
評論