مهندس یادگیری ماشین

بخش بزرگی از وقت مهندس یادگیری ماشین صرف داده می‌شود، نه مدل. او داده را از پایگاه‌های داده و لاگ سرویس‌ها جمع می‌کند، ردیف‌های ناقص و تکراری را پاک می‌کند و ویژگی‌هایی می‌سازد که مدل بتواند از آن‌ها الگو بگیرد. برای اینکه همین ویژگی‌ها هنگام آموزش و هنگام استنتاج یکسان محاسبه شوند، خط لوله را کدنویسی و نسخه‌بندی می‌کند.

مدل‌سازی در عمل یک چرخهٔ آزمایش است: انتخاب معماری، آموزش روی دادهٔ آموزشی، سنجش روی دادهٔ اعتبارسنجی و تکرار با تنظیم ابرپارامترها. مهندس یادگیری ماشین هر اجرا را با ابزارهایی مانند MLflow ثبت می‌کند تا نتیجه‌ها قابل مقایسه و بازتولید باشند، و میان دقت بیشتر، هزینهٔ آموزش و پیچیدگی نگهداری توازن برقرار می‌کند.

مدلی که فقط در نوت‌بوک ژوپیتر کار می‌کند هنوز محصول نیست. مهندس یادگیری ماشین آن را پشت یک رابط برنامه‌نویسی می‌گذارد، در کانتینر بسته‌بندی می‌کند و روی Kubernetes یا سرویس ابری مستقر می‌کند. تصمیم می‌گیرد پیش‌بینی برخط انجام شود یا دسته‌ای، تأخیر پاسخ را اندازه می‌گیرد و مسیر بازگشت به نسخهٔ پیشین را از پیش آماده نگه می‌دارد.

مدل‌ها ساکت خراب می‌شوند؛ کد از کار نمی‌افتد، فقط پیش‌بینی‌ها بی‌ربط می‌شوند. مهندس یادگیری ماشین توزیع ورودی‌ها و کیفیت خروجی را پیوسته می‌سنجد تا رانش داده و افت دقت را زود ببیند. برای این کار داشبورد و هشدار می‌سازد، بازخورد واقعی کاربران را به چرخه برمی‌گرداند و زمان بازآموزی یا کنار گذاشتن مدل را تعیین می‌کند.

آموزش مدل‌های امروزی به کارت گرافیک و ذخیره‌سازی گران نیاز دارد و در ایران دسترسی به این منابع محدودتر هم هست. مهندس یادگیری ماشین ظرفیت لازم را برآورد و کارهای آموزشی را صف‌بندی می‌کند؛ با آموزش با دقت ترکیبی، حافظه و زمان آموزش را کم می‌کند و با کوانتیزه‌سازی و تقطیر دانش، اندازه و هزینهٔ اجرای مدل را پایین می‌آورد.

مهندس یادگیری ماشین کمتر تنها کار می‌کند. با مدیر محصول دربارهٔ اینکه چه چیزی اصلاً قابل یادگیری است گفت‌وگو می‌کند، با مهندسان نرم‌افزار بر سر شکل رابط برنامه‌نویسی و بار سرویس به توافق می‌رسد و با تیم داده بر سر کیفیت منابع چانه می‌زند. بخشی از کارش ترجمهٔ سنجه‌های فنی مانند دقت و فراخوانی به زبان اثر تجاری است.