Imagine que tiene dolor abdominal y consulte a un médico.
Doc: Tienes cáncer pero no te preocupes, esta caja negra aquí te curará.
- Cómo encontrar la suma de la suma mínima de las tarifas de entrada en esta pregunta
- ¿Se puede asignar memoria virtual sin tener que depender de fallas de página?
- Sistemas distribuidos: ¿Cuáles son algunas diferencias clave entre el modelo de actores y el paralelo síncrono masivo?
- ¿Cómo se ve tu i3wm?
- ¿Cuál es la diferencia entre un modelo de datos y un esquema de base de datos?
Tu: Oh no! Doc, ¿qué tengo? ¿Cuáles son mis opciones? ¿Cómo funciona la caja negra?
Doc: Confía en la caja negra. No tenemos idea de lo que hace ni cómo funciona, pero lo curará con un 90% de probabilidad. Comencemos la operación ahora.
¡¿Tu que?! ¡No, bájate de mí!
Una regla de vida simple: no confiarás en la caja negra de un médico loco. Así que tampoco deberías creer en la caja negra mágica de un científico de datos. Cualquier código mono puede llamar a algunas bibliotecas elegantes, apilar un montón de modelos y seguir batiendo los datos hasta que entregue las respuestas que queremos.
La interpretación del modelo es la clave para establecer la confianza con los ingenieros / otros científicos de datos que implementarán, mantendrán y actualizarán su código. Cuando se trata de modelos listos para producción,
- Simple es mejor que complejo; Un modelo de conjunto complicado es una pesadilla para mantener.
- Considere el impacto de los datos en tiempo real que cambian rápidamente.
- Considere la compensación espacio-tiempo.
- Habrá problemas de producción imprevistos, así que no pierdas demasiado tiempo persiguiendo el modelo perfecto que no entiendes. En cambio, cree un modelo que conozca lo suficientemente bien y que sea fácil de recuperar de los errores.
- Utilice las tuberías para crear un flujo lógico de su modelo y ayudar a otros a seguir su diseño.
- Escribe casos de prueba. El desarrollo basado en pruebas (TDD) para la ciencia de datos es difícil, pero siempre podemos burlarnos de los datos y simular escenarios en los que se rompe la tubería de datos.
- Aprende a escribir la documentación adecuada.
La interpretación del modelo también es esencial para los dueños de negocios / gerentes de productos que derivarán ideas, tomarán decisiones y crearán productos en torno a su modelo. Podemos hacerles la vida más fácil al
- Comenzando con la interpretación de modelos de regresión lineal simples, visualización de árboles de decisión para mostrar cómo funciona la predicción del modelo y qué se puede mejorar.
- Use paneles para resaltar las ideas del modelo.
- Identifique las variables más importantes que afectarán la predicción y aportará la experiencia de dominio de los dueños de negocios / gerentes de productos a su selección de funciones.
Finalmente, la interpretabilidad del modelo es crítica para los usuarios que interactuarán con su modelo. Por ejemplo,
- Audible destaca por qué me recomiendan estos productos en el título de recomendación.
- Los chatbots deben ser rápidos, precisos y tener un carácter que lo haga menos robótico. En última instancia, los clientes deben sentirse cómodos con el bot y confiar en su salida.
- Incluso las redes de pago como Square hablan de hacer que la IA sea interpretable con redes adversas generativas
La interpretabilidad del modelo requiere trabajo. Pero también es lo que separa a un novato de un profesional.