What is machine learning, and what kinds of problems can it solve? Google thinks about machine learning slightly differently -- of being about logic, rather than just data. We talk about why such a framing is useful for data scientists when thinking about building a pipeline of machine learning models. Then, we discuss the five phases of converting a candidate use case to be driven by machine learning, and consider why it is important the phases not be skipped. We end with a recognition of the biases that machine learning can amplify and how to recognize this. >>> By enrolling in this specialization you agree to the Qwiklabs Terms of Service as set out in the FAQ and located at: https://qwiklabs.com/terms_of_service <<<
The secret sauce
Loading...
Aus dem Kurs von Google Cloud
How Google does Machine Learning
3148 Bewertungen
Google Cloud
3148 Bewertungen
Kurs 1 von 5 in Specialization Machine Learning with TensorFlow on Google Cloud Platform
Aus der Unterrichtseinheit
How Google does ML
This module is about the organizational know-how Google has acquired over the years.
Treffen Sie die Kursleiter
Google Cloud Training
In diesem Vortrag geht es um das Geheimrezept.
Ich verrate Ihnen also das Geheimrezept von Google.
Dabei handelt es sich jedoch nicht um Code,
es ist nicht nur ein Algorithmus.
Es ist das unternehmerische Know-how, das wir in vielen Jahren der Verwaltung
der wohl wertschöpfendsten ML-Systeme der Welt gesammelt haben.
Wenn wir dieses Know-how mit Ihnen teilen möchten,
warum fangen wir mit ML-Kennnissen an?
Wir möchten aus Ihnen erstklassige ML-Strategen machen.
Dafür müssen Sie sich auch selbst etwas leisten.
Sie müssen ein paar dieser Systeme
selbst erstellen und sie kennenlernen.
Das Gute dabei ist,
dass die hier vermittelten technischen ML-Kenntnisse
Software- und Datenverarbeitungskenntnisse sind.
Mit manchen Themen sind Sie vielleicht schon vertraut.
Während wir über diese technischen Kenntnisse sprechen,
haben wir die Chance, die Erfahrungen von Google zu nutzen,
um ein paar der häufig auftretenden Probleme zu vermeiden.
Worin bestehen diese Probleme?
Gehen wir die zehn gängigsten Probleme durch,
denen Unternehmen beim Einstieg in ML begegnen.
Nach mehreren Jahren und vielen Gesprächen mit neuen ML-Anwendern habe ich
diese informelle Liste erstellt.
Ich höre oft: "Das ist so aufregend.
Das wird einfach großartig."
Danach treten die gängigsten Probleme auf.
Das ist bei Google passiert und auch bei unseren Partnern.
Punkt eins, der wohl häufigste Irrglaube:
Das Trainieren des ML-Algorithmus geht schneller als das Schreiben der Software.
Dies trifft in der Regel nicht zu.
Der Grund: Ein gutes ML-System ist nicht nur der Algorithmus.
Neben dem Algorithmus sind viele weitere Dinge nötig,
z. B. ein ganzer Software-Stack.
Er muss robust und skalierbar sein und eine hohe Verfügbarkeit aufweisen.
Dies alles ist für Software sowieso erforderlich.
Beim Arbeiten mit einem Algorithmus
kommt durch Datensammlung und Training
zusätzliche Komplexität ins Spiel.
Daher drängen wir die Leute zu einem einfacheren Ansatz, allein mit Software.
Punk zwei ist einer meiner Favoriten:
Sie möchten ML einsetzen, haben aber noch keine Daten gesammelt.
Gutes ML geht aber nicht ohne
das Sammeln von oder den Zugriff auf erstklassige Daten.
Und wenn Daten vorliegen, die womöglich in jahrelanger Arbeit
gesammelt wurden, dann liegen sie
häufig auf einem System in einer anderen Abteilung und konnten
von Ihnen noch nicht gesichtet werden oder sind nicht bereit für die Verwendung.
Wenn in Ihrem Unternehmen niemand regelmäßig diese Daten prüft
oder Berichte oder neue Informationen generiert,
wenn diese Daten nicht bereits Nutzen generieren,
wurden sie wahrscheinlich auch nicht gepflegt und sind veraltet.
Unter all meinen Kunden war noch nie jemand,
der den Aufwand für das Sammeln sauberer Daten überschätzt hätte.
Keiner hat je gesagt, es sei einfacher gewesen als erwartet.
Erwarten Sie in dem Bereich eine Menge Arbeit.
Nächster Punkt:
Sie haben vergessen, Personen auf dem Laufenden zu halten.
Wenn dann diese ML-Systeme anfangen,
zentrale Aufgaben oder Geschäftsprozesse im Unternehmen zu übernehmen,
werden sie sehr wichtig.
Unternehmen scheuen daher Risiken bei diesen Systemen,
da sie eine enorm wichtige Rolle spielen.
Es wird sehr wichtig, Risiken dort zu minimieren.
Einer der vielen Wege dorthin besteht darin,
Personen miteinzubeziehen, damit sie die Daten prüfen,
Fälle prüfen, wo ML nicht funktioniert hat, und Trainingseingaben zusammenstellen.
Auch bei den produktionsreifen ML-Systemen bei Google besteht ein Feature darin,
dass Menschen beteiligt sind.
Ein Beispiel:
Sie haben ein Produkt eingeführt, dessen erstes Wertversprechen
nur sein ML-Algorithmus ohne weitere Features war.
Das ist ein Problem.
Ihren Nutzern ist es wohl egal, ob das Produkt, das sie erhalten, ML ist.
Ihnen geht es allein um neue coole Funktionen
oder wirklich gute Empfehlungen.
Wenn Sie etwas mit ML als ursprünglichem Nutzen einführen,
arbeitet es mit neuen Daten.
Viele Nutzer müssen die Daten generieren, damit bessere Interaktionen resultieren.
Nehmen wir an, Sie haben ein tolles ML-System erstellt,
es jedoch für die falsche Sache optimiert.
Wenn die Google-Suche nach Nutzerinteraktionen
und Klickraten für Suchergebnisse optimieren würde, dann klingt das gut.
Die Nutzer sollen unser Produkt
mögen und aktiv bleiben.
Wenn wir aber nach Klickrate optimieren,
könnte der ML-Algorithmus daraus lernen,
unangemessene Inhalte zu liefern, damit die Nutzer wiederholt klicken müssen.
Darum ist Vorsicht geboten beim Optimieren auf etwas ziemlich Gutes.
Es muss nicht perfekt sein,
doch achten wir dabei auf böse Absichten.
Was passiert, wenn Sie nicht messen,
ob Ihr ML-Algorithmus tatsächlich etwas verbessert?
Sie stellen ihn bereit, sie aktivieren ihn, er dient den Nutzern,
aber Sie können keine Verbesserung belegen.
Sie wissen nicht, ob die Kundeninteraktion besser wird oder der Lifetime Value.
Das ist ärgerlich, denn Sie können Ihrem Chef oder dessen Chef schlecht sagen:
"Ich möchte dies für ein weiteres Produkt einführen,
kann aber den Erfolg nicht belegen."
Einige meiner Kunden haben weitere Fehler gemacht.
Sie sahen keinen Unterschied zwischen Nutzerfreundlichkeit und Mehrwert
eines vorab trainierten ML- Algorithmus und dem Erstellen eines eigenen.
In Google Cloud gibt es einige ML APIs.
In Vision können Sie zum Beispiel
ein Bild an die API senden,
das nach vordefinierten Labels klassifiziert wird.
Das ist toll und sehr nutzerfreundlich.
Sie müssen nicht auf die Infrastruktur achten,
das Trainieren von Daten
oder auf Datensammlungen.
Es ist etwas ganz anderes, wenn Sie ein eigenes ML erstellen
oder gar einen ganz neuen ML-Algorithmus entwickeln möchten,
der nicht fertig erhältlich ist.
Der Aufwand ist weitaus höher.
Wie die erste Prüfung ergab, wurden ML-Algorithmen nur einmal trainiert.
Nach dem Motto: "Es ist auf meinem Laptop.
Es läuft sehr gut mit diesem Datensatz.
Ich bin so gut wie fertig."
Nein, das sind erst zehn Prozent der ganzen Wegstrecke.
Wenn der ML-Algorithmus Teil Ihrer zentralen Geschäftsprozesse sein soll,
werden Sie ihn viele Male neu trainieren müssen.
Es ist durchaus der Mühe wert,
den Prozess so einfach und nahtlos wie möglich zu gestalten.
Das letzte Problem auf meiner Liste betrifft eine Unklarheit
in Bezug auf den Aufwand beim Optimieren des ML-Algorithmus.
Ihr Design soll das Image Ihres Unternehmens widerspiegeln
oder auch seine Sprache.
Dabei geht es um die NLP-Klassifizierung oder die natürliche Sprachverarbeitung.
Das ist eine sehr spezielle Aufgabe,
die auf den ersten Blick leichter erscheint, als sie tatsächlich ist.
Alle unsere Algorithmen in diesem Bereich wurden sehr aufwendig optimiert, in
langjähriger Forschungsarbeit. Nutzen Sie diese Vorarbeit
und wählen Sie ein bereits vordefiniertes Produkt,
anstatt für viel Geld selbst zu forschen.
Das waren eine Menge Hinweise zu Problemen und Stolperfallen.
Gibt es auch Gutes zu vermelden? Auf jeden Fall dies:
Der größte Nutzen entsteht unterwegs.
Auf dem Weg zum ML, auch wenn es nicht perfekt wird,
werden Sie doch in jedem Arbeitsfeld erhebliche Verbesserungen erzielen.
Wenn das ML dann läuft,
verbessert es nahezu alles, mit dem es in Berührung kommt.
Und denken Sie daran: Wenn es Ihrem Unternehmen schwerfällt,
ML zu erstellen und zu verwenden,
geht es den Mitbewerbern in Ihrer Branche ganz sicher genauso.
Wenn Sie dann endlich ein durch ML unterstütztes Produkt haben,
bietet es den Nutzern und Kunden
eine echten Mehrwert, der kaum zu kopieren oder aufzuholen ist.
Die Feedback-Schleife mit ihrem genialen Daten- und Lerngewinn macht's möglich.
Ich betone hier gerne nochmal: Der größte Nutzen entsteht unterwegs.
Die Versuchung ist groß, den ganz großen Wurf landen zu wollen,
mit einer voll automatisierten,
magischen ML-Lösung für alles.
Alle wollen diesen Sprung wagen,
aber er führt selten zu tollen Produkten oder Ergebnissen für das Unternehmen.
Ich habe das bei Google gesehen
und bei unseren Partnerunternehmen.
Daher möchte ich nun einen realistischeren Weg besprechen
und all die guten Dinge, die Sie unterwegs erreichen können.
Durchsuchen Sie unseren Katalog
Melden Sie sich kostenlos an und erhalten Sie individuelle Empfehlungen, Aktualisierungen und Angebote.
Coursera arbeitet mit erstklassigen Universitäten und Organisationen zusammen, um Online-Kurse anzubieten und dadurch universellen Zugriff auf die weltweit beste Ausbildung zu ermöglichen.
© 2019 Coursera Inc. Alle Rechte vorbehalten.
