Kaip tapti dirbtinio intelekto kūrėju. Trumpai.

Jūs čia nesate dėl tuščiažodžiavimo. Jums reikia aiškaus kelio, kaip tapti dirbtinio intelekto kūrėju, nepasiklystant begalinėse lentelėse, žargono sriuboje ar analizės paralyžiuje. Gerai. Šis vadovas pateikia jums įgūdžių žemėlapį, iš tikrųjų svarbius įrankius, projektus, kurie gauna grįžtamuosius iškvietimus, ir įpročius, kurie skiria meistravimą nuo pristatymo. Pradėkime kurti.

Straipsniai, kuriuos galbūt norėsite perskaityti po šio:

🔗 Kaip įkurti dirbtinio intelekto įmonę
Žingsnis po žingsnio vadovas, kaip sukurti, finansuoti ir paleisti savo dirbtinio intelekto startuolį.

🔗 Kaip sukurti dirbtinį intelektą savo kompiuteryje
Išmokite lengvai kurti, apmokyti ir paleisti dirbtinio intelekto modelius lokaliai.

🔗 Kaip sukurti dirbtinio intelekto modelį
Išsamus dirbtinio intelekto modelio kūrimo nuo koncepcijos iki diegimo aprašymas.

🔗 Kas yra simbolinis dirbtinis intelektas
Sužinokite, kaip veikia simbolinis dirbtinis intelektas ir kodėl jis vis dar svarbus šiandien.

Kas daro DI kūrėją puikų✅

Geras dirbtinio intelekto kūrėjas nėra tas, kuris įsimena kiekvieną optimizavimo įrankį. Tai tas, kuris gali paimti neaiškią problemą, ją suformuluoti , sujungti duomenis ir modelius, pateikti kažką, kas veikia, sąžiningai išmatuoti ir iteruoti be dramų. Keletas ženklų:

• Patogumas naudojant visą ciklą: duomenys → modelis → vertinimas → diegimas → stebėjimas.

• Greitų eksperimentų šališkumas, palyginti su nesugadinta teorija... turint pakankamai teorijos, kad būtų išvengta akivaizdžių spąstų.

• Portfolio, įrodantis, kad galite pasiekti rezultatų, o ne tik užrašų knygelės.

• Atsakingas požiūris į riziką, privatumą ir sąžiningumą – ne performatyvus, o praktiškas. Pramonės rėmai, tokie kaip NIST dirbtinio intelekto rizikos valdymo sistema ir EBPO dirbtinio intelekto principai, padeda jums kalbėti ta pačia kalba kaip ir recenzentai bei suinteresuotosios šalys. [1][2]

Mažas prisipažinimas: kartais išsiunčiate modelį ir suprantate, kad bazinis lygis laimi. Tas nuolankumas – keistai – yra supergalia.

Trumpa vinjetė: komanda sukūrė įmantrų klasifikatorių palaikymo triažui; bazinės raktinių žodžių taisyklės jį pranoko pirmojo atsakymo laiku. Jie išlaikė taisykles, naudojo modelį kraštutiniams atvejams ir pateikė abu. Mažiau magijos, daugiau rezultatų.

Kelias į kelią, kaip tapti dirbtinio intelekto kūrėju 🗺️

Štai paprastas, iteracinis kelias. Kartokite jį kelis kartus, kai kilsite lygiu:

1. Sklandus programavimas Python kalba ir pagrindinės DS bibliotekos: NumPy, pandas, scikit-learn. Peržvelkite oficialius vadovus ir kurkite mažyčius scenarijus, kol pirštai juos atpažins. „Scikit-learn“ naudotojo vadovas yra ir stebėtinai praktiškas vadovėlis. [3]

2. ML pagrindai, paremti struktūrizuota programa: tiesiniai modeliai, reguliavimas, kryžminis patvirtinimas, metrikos. Klasikiniai paskaitų užrašai ir praktinis kurso kursas puikiai dera tarpusavyje.

3. Giliojo mokymosi įrankiai Jei mėgstate „pirmiausia programuoti“, pradėkite nuo oficialių „PyTorch“ mokymo programų

4. Projektai, kurie iš tikrųjų yra pateikiami : supakuoti naudojant „Docker“, sekti vykdymus (net CSV žurnalas yra niekuo pranašesnis) ir diegti minimalią API. Išmokite „Kubernetes“, kai išaugsite vieno langelio diegimus; pirmiausia – „Docker“. [5]

5. Atsakingas dirbtinio intelekto sluoksnis : priimkite lengvą rizikos kontrolinį sąrašą, įkvėptą NIST/EBPO (galiojimas, patikimumas, skaidrumas, sąžiningumas). Tai padeda diskusijoms išlikti konkrečioms, o auditams – nuobodžiams (gerąja prasme). [1][2]

6. Šiek tiek specializuotis : NLP su Transformers, vizija su moderniais convs/ViTs, rekomendavimo priemonės arba LLM programėlės ir agentai. Pasirink vieną kelią, sukurk du mažus projektus, tada išsišakojęs.

Jūs amžinai kartosite 2–6 veiksmus. Tiesą sakant, toks ir yra darbas.

Įgūdžių rinkinys, kurį iš tikrųjų naudosite daugumą dienų 🧰

• Python + duomenų analizavimas : masyvų pjaustymas, sujungimai, grupavimas pagal kategorijas, vektorizavimas. Jei galite priversti pandas šokti, mokymas yra paprastesnis, o vertinimas – aiškesnis.

• Pagrindinė mašininio mokymosi sistema : traukinio ir bandymo padalijimas, nuotėkio vengimas, metrinė raštingumas. „Scikit-learn“ vadovas yra vienas geriausių tekstų, skirtų mokymuisi vietoje. [3]

• DL sistema : pasirinkite vieną, atlikite išsamų darbą, o vėliau peržiūrėkite kitą. „PyTorch“ dokumentai aiškiai parodo mentalinį modelį. [4]

• Eksperimento higiena : trasos bėgimai, parametrai ir artefaktai. Ateities tu nekenčia archeologijos.

• Konteinerizavimas ir orkestravimas : „Docker“ – jūsų duomenų paketui; „Kubernetes“, kai reikia replikų, automatinio mastelio keitimo ir nuolatinių atnaujinimų. Pradėkite čia. [5]

• GPU pagrindai : žinokite, kada jį išsinuomoti, kaip partijos dydis veikia pralaidumą ir kodėl kai kurios operacijos yra apribotos atminties.

• Atsakingas dirbtinis intelektas : dokumentuokite duomenų šaltinius, įvertinkite riziką ir planuokite mažinimo priemones, naudodami aiškias savybes (galiojimą, patikimumą, skaidrumą, sąžiningumą). [1]

Pradinė mokymo programa: kelios grandys, kurios pranoksta savo svorį 🔗

• ML pagrindai : teorinių žinių rinkinys + praktinis kursas. Sujunkite juos su praktika „scikit-learn“ programoje. [3]

• Karkasai : „PyTorch“ vadovėliai (arba „TensorFlow“ vadovas, jei pageidaujate „Keras“). [4]

• Duomenų mokslo pagrindai : „scikit-learn“ naudotojo vadovas , skirtas metrikų, procesų ir vertinimo internalizavimui. [3]

• Pristatymas : „Docker“ pradinis kelias, todėl „veikia mano kompiuteryje“ tampa „veikia visur“. [5]

Įsiminkite šiuos dalykus. Kai užstringa, perskaitykite vieną puslapį, pabandykite vieną dalyką ir pakartokite.

Trys portfolio projektai, dėl kurių vyksta pokalbiai 📁

1. Paieškos papildymu papildytų klausimų atsakymai jūsų pačių duomenų rinkinyje

   • Išskleiskite / importuokite nišinę žinių bazę, sukurkite įterptuosius elementus ir juos išgaukite, pridėkite lengvą vartotojo sąsają.

   • Stebėkite delsą, tikslumą atliekant uždarą klausimų ir atsakymų rinkinį ir naudotojų atsiliepimus.

   • Įtraukite trumpą „nesėkmių atvejų“ skyrių.

2. Vizijos modelis su realiais diegimo apribojimais

   • Apmokykite klasifikatorių arba detektorių, pateikite per „FastAPI“, konteinerizuokite naudodami „Docker“, užsirašykite, kaip mastelio keitimą atliktų. [5]

   • Dokumentų dreifo aptikimas (paprasta populiacijos statistika pagal objektus yra puiki pradžia).

3. Atsakingo dirbtinio intelekto atvejo analizė

   • Pasirinkite viešą duomenų rinkinį su jautriomis savybėmis. Atlikite metrikų ir rizikos mažinimo veiksnių analizę, suderintą su NIST savybėmis (galiojimas, patikimumas, teisingumas). [1]

Kiekvienam projektui reikia: 1 puslapio README failo, diagramos, atkartojamų scenarijų ir mažyčio pakeitimų žurnalo. Pridėkite šiek tiek jaustukų, nes, na, žmonės irgi juos skaito 🙂

MLOp, diegimas ir ta dalis, kurios niekas tavęs neišmokys 🚢

Pristatymas yra įgūdis. Minimalus srautas:

• Konteinerizuoti savo programėlę naudojant „Docker“, kad dev ≈ prod. Pradėkite nuo oficialių pradžios dokumentų; pereikite prie „Compose“, jei norite konfigūruoti kelias paslaugas. [5]

• Stebėkite eksperimentus (net ir vietoje). Parametrai, metrikos, artefaktai ir „nugalėtojo“ žyma užtikrina sąžiningą abliaciją ir bendradarbiavimą.

• koordinuokite darbą su „Kubernetes“. Pirmiausia susipažinkite su diegimais, paslaugomis ir deklaratyvia konfigūracija; atsispirkite pagundai atlikti paviršutiniškas užduotis.

• Debesijos vykdymo aplinkos : „Colab“ prototipų kūrimui; valdomos platformos („SageMaker“ / „Azure ML“ / „Vertex“), kai perduosite žaislines programas.

• GPU raštingumas : jums nereikia rašyti CUDA branduolių; jums reikia atpažinti, kada duomenų įkėlėjas yra jūsų kliūtis.

Maža ydinga metafora: įsivaizduokite MLOp kaip raugo tešlos pradmenį – maitinkite jį automatizavimu ir stebėjimu, arba jis taps dvokus.

Atsakingas dirbtinis intelektas yra jūsų konkurencinis griovys 🛡️

Komandos patiria spaudimą įrodyti savo patikimumą. Jei galite konkrečiai kalbėti apie riziką, dokumentaciją ir valdymą, tampate tuo žmogumi, kurio žmonės nori kambaryje.

• Naudokite nusistovėjusią sistemą : susiekite reikalavimus su NIST savybėmis (galiojimas, patikimumas, skaidrumas, sąžiningumas), tada paverskite juos kontrolinio sąrašo elementais ir priėmimo kriterijais ataskaitose (PR). [1]

• Įtvirtinkite savo principus : EBPO dirbtinio intelekto principai pabrėžia žmogaus teises ir demokratines vertybes – tai praverčia aptariant kompromisus. [2]

• Profesinė etika : trumpas užuomina į etikos kodeksą projektavimo dokumentuose dažnai lemia, ar „apie tai pagalvojome“, ar „padarėme tai įvykdę“.

Tai ne biurokratija. Tai amatas.

Specializuokis šiek tiek: išsirink taką ir išmok jo naudojimo įrankius 🛣️

• LLM ir NLP : žetonų kūrimo spąstai, kontekstiniai langai, RAG, vertinimas už BLEU ribų. Pradėkite nuo aukšto lygio srautų, tada pritaikykite.

• Vizija : duomenų papildymas, ženklinimo higiena ir diegimas periferiniuose įrenginiuose, kur delsa yra svarbiausia.

• Rekomenduojantys subjektai : numanomo grįžtamojo ryšio ypatybės, šaltojo paleidimo strategijos ir verslo KPI, kurie neatitinka RMSE.

• Agentų ir įrankių naudojimas : funkcijų iškvietimas, apribotas dekodavimas ir saugos bėgiai.

Sąžiningai, rinkitės domeną, kuris jus sudomintų sekmadienio rytais.

Palyginimo lentelė: maršrutai, kaip tapti dirbtinio intelekto kūrėju 📊

Taip, tarpai yra šiek tiek nevienodi. Tikri stalai retai kada būna tobuli.

Studijuokite ciklus, kurie iš tikrųjų prilimpa 🔁

• Dviejų valandų ciklai : 20 minučių dokumentų skaitymas, 80 minučių programavimas, 20 minučių gedimų užrašymas.

• Vieno puslapio apimties aprašymai : po kiekvieno mini projekto paaiškinkite problemos apibrėžimą, pradinius rodiklius, metriką ir gedimų būdus.

• Sąmoningi apribojimai : apmokyti tik su procesoriumi, nenaudojant išorinių bibliotekų išankstiniam apdorojimui arba biudžete numatant lygiai 200 eilučių. Apribojimai kažkaip skatina kūrybiškumą.

• Popieriniai sprintai : įdiekite tik „loss“ arba duomenų įkėlėją. Jums nereikia SOTA, kad daug ko išmoktumėte.

Jei susikaupimas išslysta, tai normalu. Visi susvyruoja. Pasivaikščiokite, grįžkite, atsiųskite ką nors mažo.

Pasiruošimas pokalbiui be teatrališkų detalių 🎯

• Pirmiausia portfelis : tikri saugyklų failai pranoksta skaidrių rinkinius. Įdiekite bent vieną mažą demonstracinę versiją.

• Paaiškinkite kompromisus : būkite pasiruošę aptarti metrikų pasirinkimus ir kaip derintumėte gedimą.

• Sisteminis mąstymas : nubraižykite duomenų → modelio → API → stebėjimo diagramą ir ją papasakokite.

• Atsakingas dirbtinis intelektas : sudarykite paprastą kontrolinį sąrašą, suderintą su NIST dirbtinio intelekto RMF – tai rodo brandą, o ne madingus žodžius. [1]

• Sistemų sklandumas : pasirinkite vieną sistemą ir elkitės su ja pavojingai. Oficialūs dokumentai yra tinkamas pasirinkimas pokalbių metu. [4]

Maža kulinarijos knygelė: pirmasis jūsų projektas nuo pradžios iki galo per savaitgalį 🍳

1. Duomenys : pasirinkite švarų duomenų rinkinį.

2. Bazinis lygis : „scikit-learn“ modelis su kryžminiu patvirtinimu; pagrindinių metrikų registravimas. [3]

3. DL perdavimas : ta pati užduotis PyTorch arba TensorFlow; palyginkite obuolius su obuoliais. [4]

4. Stebėjimas : įrašų skaičiavimas (net ir paprastas CSV + laiko žymos). Pažymėkite nugalėtoją.

5. Aptarnavimas : įvynioti prognozę į „FastAPI“ maršrutą, pritaikyti prie doko, vykdyti lokaliai. [5]

6. Apmąstykite : kokie rodikliai yra svarbūs vartotojui, kokios rizikos egzistuoja ir ką stebėtumėte po paleidimo – pasiskolinkite terminus iš NIST AI RMF, kad būtų aiškiau. [1]

Ar tai tobula? Ne. Ar tai geriau nei laukti tobulo kurso? Be abejo.

Dažnos klaidos, kurių galite išvengti anksti ⚠️

• Pernelyg didelis mokymosi pritaikymas pamokoms : pradžia puiki, bet netrukus pereikite prie mąstymo pirmiausia į problemą.

• Vertinimo plano praleidimas : apibrėžkite sėkmę prieš mokymą. Sutaupote valandų.

• Duomenų sutarčių ignoravimas : schemos poslinkis sugadina daugiau sistemų nei modeliai.

• Diegimo baimė : „Docker“ yra draugiškesnis, nei atrodo. Pradėkite nuo mažų dalykų; susitaikykite su tuo, kad pirmasis kūrimas bus gremėzdiškas. [5]

• Etika išlieka : vėliau ją įdiegus, tai virs atitikties pareiga. Įtraukite tai į dizainą – lengviau, geriau. [1][2]

Trumpai tariant, DR 🧡

Jei prisimenate vieną dalyką: tapti dirbtinio intelekto kūrėju nereiškia kaupti teoriją ar vaikytis blizgančių modelių. Tai yra nuolatinis realių problemų sprendimas, naudojant griežtą ciklą ir atsakingą mąstyseną. Išmokite naudoti duomenų rinkinį, pasirinkite vieną DL sistemą, pateikite mažus dalykus naudodami „Docker“, stebėkite savo veiksmus ir savo pasirinkimus grįskite gerbiamomis gairėmis, tokiomis kaip NIST ir OECD. Sukurkite tris mažus, pamėgtus projektus ir kalbėkite apie juos kaip komandos draugas, o ne magas. Daugiausia tiek.

Ir taip, jei padeda, garsiai ištarkite šią frazę: „ Aš žinau, kaip tapti dirbtinio intelekto kūrėju“ . Tuomet įrodykite tai šiandien skirdami valandą kryptingam kūrimui.

Nuorodos

[1] NIST. Dirbtinio intelekto rizikos valdymo sistema (AI RMF 1.0) . (PDF) - Nuoroda
[2] OECD. OECD dirbtinio intelekto principai - Apžvalga - Nuoroda
[3] scikit-learn. Naudotojo vadovas (stabilus) - Nuoroda
[4] PyTorch. Mokymo programos (sužinokite pagrindus ir kt.) - Nuoroda
[5] Docker. Pradžia - Nuoroda