Хэрхэн хиймэл оюун ухааны хөгжүүлэгч болох вэ. Товч мэдээлэл.

Та энд хоосон зүйл хийх гэж ирээгүй. Та хиймэл оюун ухааны хөгжүүлэгч болох . Сайн байна. Энэхүү гарын авлага нь танд ур чадварын газрын зураг, үнэхээр чухал хэрэгслүүд, буцаан дуудах төслүүд, мөн засварлах ажлыг тээвэрлэлтээс ялгаж салгадаг зуршлуудыг өгөх болно. Танд бүтээн байгуулалтыг эхлүүлье.

Үүний дараа таны унших дуртай нийтлэлүүд:

🔗 Хиймэл оюун ухааны компанийг хэрхэн эхлүүлэх вэ
Хиймэл оюун ухааны стартапаа бүтээх, санхүүжүүлэх, эхлүүлэх алхам алхмаар гарын авлага.

🔗 Компьютер дээрээ хиймэл оюун ухаан хэрхэн хийх вэ
Орон нутагт хиймэл оюун ухааны загваруудыг хялбархан бүтээх, сургах, ажиллуулах талаар суралц.

🔗 Хиймэл оюун ухааны загварыг хэрхэн хийх вэ
Хиймэл оюун ухааны загвар бүтээх үйл явцыг санаанаас эхлээд байршуулалт хүртэлх цогц задаргаа.

🔗 Симбол хиймэл оюун ухаан гэж юу вэ
Симбол хиймэл оюун ухаан хэрхэн ажилладаг, яагаад өнөөдөр ч чухал хэвээр байгааг судлаарай.

Маш сайн хиймэл оюун ухаан хөгжүүлэгчийг юу болгодог вэ✅

түүнийгээ хүрээлж чаддаг хүн юм . Хэдэн тэмдэглэгээ:

• Бүхэл бүтэн давталттай ажиллахад тав тухтай байдал: өгөгдөл → загвар → үнэлгээ → байршуулах → монитор.

• Илэрхий урхинаас зайлсхийх хангалттай онолтой, цэвэр онолоос илүү хурдан туршилт хийх хандлага.

• Зөвхөн тэмдэглэлийн дэвтэр төдийгүй үр дүнд хүрч чадна гэдгээ нотолсон портфолио.

• Эрсдэл, нууцлал, шударга ёсны талаарх хариуцлагатай сэтгэлгээ - гүйцэтгэлд бус, практикт суурилсан. NIST хиймэл оюун ухааны эрсдэлийн удирдлагын хүрээ болон OECD хиймэл оюун ухааны зарчмууд танд хянагч болон оролцогч талуудтай ижил хэлээр ярихад тусална. [1][2]

Жижигхэн хүлээн зөвшөөрөх зүйл: заримдаа та загвар өмсөгч илгээгээд дараа нь үндсэн шугам ялалт байгуулдаг гэдгийг ойлгодог. Хачирхалтай нь энэ даруу байдал бол супер хүч юм.

Хурдан товч танилцуулга: баг дэмжлэгийн ангиллын хувьд гоёмсог ангилагч бүтээсэн; үндсэн түлхүүр үгийн дүрмүүд нь эхний хариу өгөх хугацаандаа үүнийг давсан. Тэд дүрмийг баримталж, зах зээлийн тохиолдлуудад загварыг ашиглаж, хоёуланг нь нийлүүлсэн. Бага ид шид, илүү их үр дүн.

Хэрхэн хиймэл оюун ухааны хөгжүүлэгч болох вэ гэсэн замын зураг 🗺️

Энэ бол давтагдах энгийн зам юм. Түвшин ахих тусам хэд хэдэн удаа давтана уу:

1. програмчлалын чадвар болон үндсэн DS номын сангууд: NumPy, pandas, scikit-learn. Албан ёсны гарын авлагуудыг гүйлгэн уншаад дараа нь хуруугаараа танигдтал жижиг скриптүүдийг бүтээгээрэй. scikit-learn хэрэглэгчийн гарын авлага нь гайхалтай практик сурах бичиг болж чадна. [3]

2. ML-ийн үндэс суурь болдог : шугаман загварууд, зохицуулалт, хөндлөн баталгаажуулалт, хэмжигдэхүүнүүд. Сонгодог лекцийн тэмдэглэл болон практик сургалтын хослол сайн ажилладаг.

3. Гүнзгий сургалтын хэрэгслүүд : PyTorch эсвэл TensorFlow-г сонгоод загваруудыг сургах, хадгалах, ачаалах; өгөгдлийн багцыг зохицуулах; мөн нийтлэг хэлбэрийн алдааг засахад хангалттай хэмжээний мэдээлэл аваарай. Хэрэв та "эхлээд код бичих"-д дуртай бол PyTorch зааварчилгаанаас

4. Үнэхээр тээвэрлэдэг төслүүд : Docker-тэй багцлах, гүйлтийг хянах (CSV лог ч гэсэн юунаас ч илүү), мөн хамгийн бага API байршуулах. Ганц хайрцагтай байршуулалтаас давж гарахдаа Kubernetes-ийг сур; эхлээд Docker. [5]

5. Хариуцлагатай хиймэл оюун ухааны түвшин : NIST/OECD-ээс санаа авсан хөнгөн эрсдэлийн шалгах хуудсыг (хүчин төгөлдөр байдал, найдвартай байдал, ил тод байдал, шударга байдал) баримталдаг. Энэ нь хэлэлцүүлгийг тодорхой болгож, аудитыг уйтгартай (сайн утгаараа) байлгадаг. [1][2]

6. Бага зэрэг мэргэшсэн : Трансформеруудтай NLP, орчин үеийн яриа хэлэлцээ/ViT-тэй алсын хараа, зөвлөмж эсвэл LLM аппликейшн болон агентууд. Нэг чиглэл сонгоод, хоёр жижиг төсөл байгуулаад, дараа нь салбарла.

Та 2–6-р алхмуудыг үүрд дахин харах болно. Үнэнийг хэлэхэд энэ бол ажил.

Таны ихэнх өдрүүдэд ашиглах ур чадварын багц 🧰

• Python + Өгөгдлийн маргаан : массивуудыг зүсэх, нэгтгэх, бүлэглэх, векторчлох. Хэрэв та пандаг бүжиглүүлж чадвал сургалт илүү хялбар болж, үнэлгээ нь илүү цэвэр болно.

• Гол ML : сургалт-туршилтын хуваалт, алдагдлаас зайлсхийх, метрик бичиг үсэг. Scikit-learn гарын авлага нь чимээгүйхэн хамгийн шилдэг налуу замын эх сурвалжуудын нэг юм. [3]

• DL framework : нэгийг нь сонгоод, эхнээс нь дуустал нь ажиллуулаад, дараа нь нөгөөг нь хараарай. PyTorch-ын баримт бичиг нь сэтгэцийн загварыг тодорхой болгодог. [4]

• Эрүүл ахуйн туршилт : гүйлтийн зам, параметрүүд болон эд өлгийн зүйлс. Ирээдүйд та археологийг үзэн яддаг.

• Контейнержуулалт ба найрал хөгжим : Таны стекийг багцлах Docker; хуулбар, автомат масштабжуулалт болон өнхрөх шинэчлэлтүүд шаардлагатай үед Kubernetes. Эндээс эхэлнэ үү. [5]

• GPU-ийн үндэс : хэзээ түрээслэх, багцын хэмжээ нь дамжуулах чадварт хэрхэн нөлөөлдөг, яагаад зарим үйлдлүүд нь санах ойтой холбоотой байдаг талаар мэдэх.

• Хариуцлагатай хиймэл оюун ухаан : өгөгдлийн эх сурвалжийг баримтжуулах, эрсдэлийг үнэлэх, тодорхой шинж чанаруудыг (хүчин төгөлдөр байдал, найдвартай байдал, ил тод байдал, шударга байдал) ашиглан бууруулах арга хэмжээг төлөвлөх. [1]

Эхлүүлэх сургалтын хөтөлбөр: жингээсээ давсан цөөхөн холбоосууд 🔗

• Машины сургалтын үндэс : онолын хувьд хүнд тэмдэглэл + практик сургалт. Эдгээрийг scikit-learn-ийн дадлагатай хослуул. [3]

• Хүрээ : PyTorch заавар (эсвэл хэрэв та Keras-г илүүд үзэж байгаа бол TensorFlow гарын авлага). [4]

• Өгөгдлийн шинжлэх ухааны зайлшгүй шаардлагатай зүйлс : scikit-learn-ийн хэмжүүр, дамжуулах хоолой, үнэлгээг дотооддоо нэвтрүүлэх хэрэглэгчийн гарын авлага

• Тээвэрлэлт : Docker-ийн Эхлэх зам нь "миний машин дээр ажилладаг" нь "хаа сайгүй ажилладаг" болж хувирдаг. [5]

Эдгээрийг хавчуурга болгоно уу. Гацсан үедээ нэг хуудас уншаад, нэг зүйлийг туршаад үзээд давт.

Ярилцлага авах боломжтой гурван портфолио төсөл 📁

1. Өөрийн өгөгдлийн багц дээрээс сэргээх замаар сайжруулсан асуулт хариулт авах

   • Тодорхой хэмжээний мэдлэгийн санг хусах/импортлох, суулгалт + сэргээх, хөнгөн UI нэмэх.

   • Асуулт, хариултын багцын хоцрогдол, нарийвчлал болон хэрэглэгчийн санал хүсэлтийг хянах.

   • "Алдаа гарсан тохиолдлууд" гэсэн богино хэсгийг оруулна уу.

2. Бодит байршуулалтын хязгаарлалттай алсын харааны загвар

   • Ангилагч эсвэл илрүүлэгчийг сургах, FastAPI-ээр дамжуулан үйлчлэх, Docker-тэй контейнерчлэх, хэрхэн масштаблахаа бичих. [5]

   • Баримт бичгийн шилжилтийг илрүүлэх (онцлог шинж чанаруудаас илүү энгийн популяцийн статистик нь сайн эхлэл юм).

3. Хариуцлагатай хиймэл оюун ухааны кейс судалгаа

   • Мэдрэмтгий шинж чанаруудтай олон нийтийн мэдээллийн санг сонгоно уу. NIST шинж чанаруудтай (хүчин төгөлдөр байдал, найдвартай байдал, шударга байдал) уялдуулан хэмжүүр ба бууруулах арга хэмжээний бичлэг хийнэ үү. [1]

Төсөл бүрт 1 хуудас README, диаграмм, хуулбарлах боломжтой скриптүүд болон жижиг өөрчлөлтийн бүртгэл хэрэгтэй. Хүмүүс ч гэсэн эдгээрийг уншдаг тул эможигийн өнгө аяс нэмээрэй 🙂

MLOps, байршуулалт болон хэн ч танд заадаггүй хэсэг 🚢

Тээвэрлэлт бол ур чадвар. Хамгийн бага урсгал:

• контейнержуулснаар dev ≈ prod болно. Албан ёсны Эхлэлийн баримт бичгээс эхэлж, олон үйлчилгээний тохиргооны хувьд Compose руу шилжинэ үү. [5]

• Туршилтуудыг хянах (орон нутагт ч гэсэн). Параметрүүд, хэмжүүрүүд, эд өлгийн зүйлс болон "ялагч" гэсэн шошго нь абляцийг шударга, хамтын ажиллагааг боломжтой болгодог.

• зохион байгуул . Эхлээд байршуулалт, үйлчилгээ болон тунхаглалын тохиргоог сур; сарлаг хусах хүслээ зогсоо.

• Үүлэн ажиллах хугацаа : Тоглоомын аппликейшнуудыг дамжуулсны дараа туршилтын загвар гаргахад хамтран ажиллах; удирддаг платформууд (SageMaker/Azure ML/Vertex).

• GPU бичиг үсэг : та CUDA цөм бичих шаардлагагүй; өгөгдөл ачаалагч хэзээ таны саад тотгор болж байгааг та мэдэх хэрэгтэй.

Жижигхэн алдаатай зүйрлэл: MLOp-ийг исгэлэн исгэгч гэж бодоорой - үүнийг автоматжуулалт болон хяналтаар тэжээгээрэй, эс тэгвээс энэ нь эвгүй үнэртэй болно.

Хариуцлагатай хиймэл оюун ухаан бол таны өрсөлдөх чадварын нүх 🛡️

Багууд итгэл даах чадвараа батлах дарамтанд байна. Хэрэв та эрсдэл, баримтжуулалт, засаглалын талаар тодорхой ярьж чадвал хүмүүсийн өрөөнд байхыг хүсч буй хүн болно.

• Тогтсон хүрээг ашигла : шаардлагыг NIST шинж чанаруудтай (хүчин төгөлдөр байдал, найдвартай байдал, ил тод байдал, шударга байдал) холбож, дараа нь тэдгээрийг шалгах хуудасны зүйлс болон PR-д хүлээн зөвшөөрөх шалгуур болгон хувирга. [1]

• Зарчмуудаа бататга : Эдийн засгийн хамтын ажиллагаа, хөгжлийн байгууллагын хиймэл оюун ухааны зарчмууд нь хүний ​​эрх, ардчилсан үнэт зүйлсийг онцолдог бөгөөд энэ нь буулт хийх талаар хэлэлцэхэд тустай байдаг. [2]

• Мэргэжлийн ёс зүй : дизайны баримт бичигт ёс зүйн кодыг товчхон дурдах нь ихэвчлэн "бид үүний талаар бодож үзсэн" ба "бид үүнийг дагасан" гэсэн хоёрын ялгааг илэрхийлдэг.

Энэ бол хүнд суртал биш. Энэ бол гар урлал.

Бага зэрэг мэргэш: эгнээ сонгоод түүний хэрэгслийг сур 🛣️

• LLM ба NLP : токенжуулалтын бэрхшээлүүд, контекст цонх, RAG, BLEU-ээс цаашх үнэлгээ. Өндөр түвшний дамжуулах хоолойноос эхлээд дараа нь өөрчлөх.

• Алсын хараа : өгөгдлийг нэмэгдүүлэх, шошгололтын эрүүл ахуй, хоцрогдол нь хамгийн дээд цэгтээ хүрсэн төхөөрөмжүүдийг байршуулах.

• Зөвлөмжүүд : далд санал хүсэлтийн хачин жиг, хүйтэн эхлэлийн стратеги, RMSE-тэй тохирохгүй бизнесийн KPI-ууд.

• Агентууд ба хэрэгслийн хэрэглээ : функц дуудах, хязгаарлагдмал декодчилол болон аюулгүй байдлын хашлага.

Үнэнийг хэлэхэд, ням гарагийн өглөө таныг сонирхож байгаа домэйныг сонгоорой.

Харьцуулсан хүснэгт: Хэрхэн хиймэл оюун ухааны хөгжүүлэгч болох вэ 📊

Тийм ээ, зай нь жаахан тэгш бус байна. Жинхэнэ ширээнүүд төгс байх нь ховор.

Үнэхээр наалддаг судалгааны гогцоонууд 🔁

• Хоёр цагийн мөчлөг : 20 минут баримт бичиг унших, 80 минут код бичих, 20 минут эвдэрсэн зүйлээ бичих.

• Нэг пейжерийн бичлэг : мини төсөл бүрийн дараа асуудлын хүрээ, суурь үзүүлэлт, үзүүлэлт болон алдааны горимуудыг тайлбарлана уу.

• Санаатай хязгаарлалтууд : зөвхөн CPU дээр сургах, эсвэл урьдчилан боловсруулахад зориулж гадаад номын санг ашиглахгүй байх, эсвэл яг 200 мөрийг төсөвлөх. Хязгаарлалтууд нь ямар нэгэн байдлаар бүтээлч байдлыг бий болгодог.

• Цаасны спринт : зөвхөн алдагдлыг эсвэл өгөгдөл ачаалагчийг хэрэгжүүл. Танд их зүйл сурахад SOTA шаардлагагүй.

Хэрэв анхаарал сарнивал энэ нь хэвийн үзэгдэл. Хүн бүр дайвалздаг. Алхаж, буцаж ирээд, жижиг зүйл илгээ.

Ярилцлагын бэлтгэл, жүжиглэлтийг хассан 🎯

• Эхлээд портфолио : слайд тавцангаас илүү бодит репозиторууд. Дор хаяж нэг жижиг демо байршуул.

• Буудалцааг тайлбарла : Метрийн сонголтууд болон алдааг хэрхэн засах талаар авч үзэхэд бэлэн байгаарай.

• Системийн сэтгэлгээ : өгөгдөл → загвар → API → хяналтын диаграммыг зурж, түүнийгээ өгүүл.

• Хариуцлагатай хиймэл оюун ухаан : NIST AI RMF-тэй уялдуулсан энгийн шалгах хуудсыг хөтлөөрэй - энэ нь төлөвшсөн гэсэн үг болохоос биш, харин төлөвшсөн гэсэн үг юм. [1]

• Фреймворкийн чөлөөтэй байдал : нэг фреймворк сонгоод түүнтэй аюултай бай. Албан ёсны баримт бичгүүд ярилцлагад шударгаар хандах хэрэгтэй. [4]

Жижигхэн хоолны ном: амралтын өдрүүдийн таны анхны цогц төсөл 🍳

1. Өгөгдөл : цэвэр өгөгдлийн багцыг сонгоно уу.

2. Суурь : хөндлөн баталгаажуулалттай scikit-learn загвар; log үндсэн хэмжигдэхүүнүүд. [3]

3. DL шалгалтын даалгавар : PyTorch эсвэл TensorFlow дээр ижил даалгавар; алимыг алимтай харьцуулна. [4]

4. Хяналт : гүйлтийн бичлэг (энгийн CSV + цагийн тэмдэг ч гэсэн). Ялагчийг тэмдэглэнэ үү.

5. Үйлчлэх : FastAPI чиглүүлэлтээр таамаглалыг ороох, dockerize хийх, локалаар ажиллуулах. [5]

6. Тусгах : хэрэглэгчийн хувьд ямар үзүүлэлт чухал, ямар эрсдэл байгаа, мөн та нээлтийн дараа юуг хянах вэ - тодорхой байлгахын тулд NIST AI RMF-ээс нөхцөлүүдийг зээлээрэй. [1]

Энэ төгс үү? Үгүй ээ. Төгс замыг хүлээхээс дээр үү? Мэдээж.

Эртхэн зайлсхийж болох нийтлэг алдаанууд ⚠️

• Суралцах явцаа хичээлүүдтэй хэт даатгах : эхлэхэд сайхан байна, гэхдээ удахгүй асуудлыг нэн тэргүүнд тавих сэтгэлгээ рүү шилжинэ.

• Үнэлгээний загварыг алгасах : сургалтаас өмнө амжилтыг тодорхойлох. Цаг хэмнэдэг.

• Өгөгдлийн гэрээг үл тоомсорлох : схемийн шилжилт нь загваруудаас илүү олон системийг эвддэг.

• Байршуулалтаас айх айдас : Docker нь харагдаж байгаагаасаа илүү ээлтэй. Багаас эхэл; эхний угсралт нь болхи байх болно гэдгийг хүлээн зөвшөөр. [5]

• Ёс зүй хамгийн сүүлд : дараа нь хэрэгжүүлбэл энэ нь нийцлийн ажил болж хувирдаг. Үүнийг загвар болгон хувирга - хөнгөн, илүү сайн. [1][2]

TL;DR 🧡

Хэрэв та нэг зүйлийг санаж байгаа бол: Хэрхэн хиймэл оюун ухааны хөгжүүлэгч болох вэ гэдэг нь онол цуглуулах эсвэл гялалзсан загваруудыг хөөцөлдөх тухай биш юм. Энэ бол бодит асуудлуудыг нягт гогцоо, хариуцлагатай сэтгэлгээгээр дахин дахин шийдвэрлэх тухай юм. Өгөгдлийн стекийг сурч, нэг DL framework сонгож, Docker-тэй жижиг зүйлсийг илгээж, юу хийж байгаагаа хянаж, сонголтоо NIST болон OECD зэрэг хүндэтгэлтэй удирдамжид тулгуурлаарай. Гурван жижиг, хайр татам төслийг бүтээж, тэдгээрийн талаар илбэчин биш, багийнхан шиг ярь. Ингээд л болоо - ихэвчлэн.

Би хиймэл оюун ухааны хөгжүүлэгч хэрхэн болохыг мэднэ" гэсэн хэллэгийг чангаар хэлээрэй . Тэгвэл өнөөдөр нэг цагийн турш төвлөрсөн хөгжүүлэлт хийж үүнийгээ батлаарай.

Лавлагаа

[1] NIST. Хиймэл оюун ухааны эрсдэлийн удирдлагын хүрээ (AI RMF 1.0) . (PDF) - Холбоос
[2] OECD. OECD-ийн хиймэл оюун ухааны зарчмууд - Тойм - Холбоос
[3] scikit-learn. Хэрэглэгчийн гарын авлага (тогтвортой) - Холбоос
[4] PyTorch. Хичээлүүд (Үндсэн ойлголтуудыг сурах гэх мэт) - Холбоос
[5] Docker. Эхлэх - Холбоос