Systemy sztucznej inteligencji opierają się na specyficznych architekturach, aby móc być wdrażane w warunkach rzeczywistych.
Model uczenia maszynowego sam w sobie nie wystarcza. Prawdziwe wdrożenie zależy od architektury, która go otacza, ponieważ model musi pobierać dane, podejmować decyzje i udostępniać te decyzje w sposób, z którego ludzie mogą faktycznie skorzystać.
To jest kluczowy problem, na który odpowiada ta lekcja: jak system AI przechodzi od wytrenowanego modelu do działającego produktu?
Wielu początkujących myśli, że modelem jest produkt. Nie jest. Model to tylko jedna część większego systemu. W praktyce system AI wymaga obsługi danych, przetwarzania cech, trenowania modelu, oceny oraz aplikacji skierowanej do użytkownika. Jeśli którakolwiek z tych części jest słaba, cały system staje się nienadziejny.
Czym ma zajmować się system
Solidny system AI zaczyna się od jasnego zadania. W tym przypadku zadaniem jest binarna klasyfikacja tekstów ze mediów społecznościowych. Każdy post otrzymuje jedną etykietę: cyberprzemoc czy brak cyberprzemocy.
Brzmi to prosto. Jest proste w ten sposób, jak prosty jest zamek. Trudną częścią jest sprawienie, by działał na nieporządnym, rzeczywistym danych. Posty w mediach społecznościowych są krótkie, hałaśliwe, pełne slangu, literówek i sarkazmu. Model musi ogarnąć tę sytuację bez ręcznie pisanych reguł dla każdego przypadkowego wyjątku.
Opisany tu system jest zaprojektowany do realnego użytku, a nie jako demonstracja na zajęciach. Jest trenowany na 47 692 oznaczonych postach, podzielonych na zbiory treningowy i testowy w proporcji 80/20. Następnie jest owinięty w interfejs webowy (dashboard), dzięki czemu ludzie mogą go używać bez dotykania kodu.
Jak elementy łączą się ze sobą
Pierwszym krokiem jest zbieranie danych. Model potrzebuje przykładów z etykietami. Bez etykiet nie może nauczyć się różnicy między szkodliwym a nieszkodliwym tekstem.
Następnie następuje preprocessing (wstępne przetwarzanie). Tekst jest czyszczony, aby model nie marnował wysiłku na hałas. Może to oznaczać usuwanie dodatkowych symboli, obsługę brakujących wartości i maskowanie poufnych szczegółów.
Następnie tekst musi stać się liczbami. Maszyny nie czytają słów tak, jak ludzie. Tutaj TF-IDF przekształca słowa w cechy. Cecha to po prostu wejście, które model może zmierzyć. Słowo, które pojawia się często w jednej klasie, a rzadko w drugiej, może uzyskać wyższą wagę.
Po tym dane są dzielone. Model trenuje na jednej części, a jest testowany na niewidzianych wcześniej postach z drugiej części. To jedyny uczciwy sposób sprawdzenia, czy model nauczył się wzorca, czy też po prostu zapamiętał zbiór treningowy.
Następnie następuje wybór modelu. Dla tego systemu użyto Regresji Logistycznej. Ten wybór ma znaczenie. Jest szybki, łatwy do wyjaśnienia i wystarczająco silny dla tego rodzaju zadania klasyfikacji tekstu.
Mały przykład
Weźmy dwa krótkie posty.
- „Jesteś głupi i nikt cię nie lubi.”
- „Dobra robota nad swoim projektem.”
Człowiek dostrzeże różnicę od razu. Model nie może polegać na instynkcie. Patrząc na cechy TF-IDF, uczy się, które wzorce słów często pojawiają się w szkodliwych postach i przypisuje klasę.
Jeśli system zaklasyfikuje pierwszy post jako cyberprzemoc, a drugi pozostawi bez zmian, jest to rodzaj zachowania, jakie architektura ma wspierać. Model nie zgadywał w próżni. Użył potoku (pipeline), który ukształtował dane wejściowe, wytrenował klasyfikator i udostępnił wynik przez interfejs.
Dlaczego architektura ma większe znaczenie niż hype
Prawdziwe wdrożenie AI potrzebuje więcej niż pliku z modelem. Potrzebuje kształtu.
Regresja logistyczna działa tutaj, ponieważ system wymaga przejrzystości. Jeśli post zostanie oznaczony flagą, zespół może sprawdzić, które ważone cechy popchnęły decyzję. Jest to przydatne w pracy związanej z bezpieczeństwem. Ludzie nie lubią ślepych systemów, gdy wynik wpływa na moderację wypowiedzi lub przegląd treści. Słuszne.
Szybkość też ma znaczenie. Ten model trenuje się w kilka sekund i przewiduje natychmiast. Dzięki temu jest praktyczny dla dashboarda w czasie rzeczywistym. Wolny model może być technicznie imponujący, a mimo to bezużyteczny w produkcie, który musi reagować szybko.
Liczby ewaluacyjne mają znaczenie, ale tylko w kontekście. Dokładność (accuracy) to jeden sygnał. Precyzja mówi nam, ile oznaczonych postów jest rzeczywiście szkodliwych. Recall (czułość) mówi nam, ile szkodliwych postów zostało wykrytych. F1-score balansuje te dwie wielkości. W tym systemie precyzja jest bardzo wysoka, co oznacza mało fałszywych alarmów. Recall jest niższy niż precyzja, co oznacza, że niektóre szkodliwe posty nadal przepływają obok. To uczciwy kompromis, a nie błąd w matematyce.
Dlaczego prostota może wygrać
Powszechnym błędem jest założenie, że najbardziej złożony model jest właściwy. Nie zawsze tak jest.
LSTM może nauczyć się głębszych wzorców sekwencyjnych, ale jest wolniejszy i trudniejszy do wyjaśnienia. Transformer w stylu BERT może często podnieść dokładność, ale zazwyczaj wiąże się z cięższym kosztem obliczeniowym i słabszą przejrzystością. Dla systemu produkcyjnego, który musi być interpretowalny, szybki w działaniu i łatwy do prezentacji, ta dodatkowa moc może być zmarnowana.
Tu właśnie architektura staje się praktyczną decyzją, a nie wyborem modnym. Prawidłowy system to taki, który pasuje do zadania, danych i ludzi, którzy muszą mu zaufać.
Co dodaje dashboard
Warstwa wdrożenia zamienia model w produkt. Dashboard Streamlit daje prosty interfejs webowy, gdzie można wprowadzać tekst i go klasyfikować. Ma to znaczenie, ponieważ większość użytkowników nigdy nie zobaczy kodu ani macierzy cech. Widzą stronę, która działa.
Dashboard ułatwia też pokazanie systemu podczas rozmów o pracę, prezentacji dla pracodawców lub spotkań z klientami. To nie jest kosmetyczny detal. Ukryty model w notatniku jest trudny do oceny jako system. Żywa aplikacja sprawia, że cały potok jest widoczny.
Celem wdrożenia nie jest dekoracja. To dowód, że model przetrwa kontakt z rzeczywistym użytkowaniem.
Dobry system AI to nie pojedynczy algorytm. To zestaw decyzji, które kształtują dane, zachowanie modelu, ocenę i dostarczenie. Gdy to jest jasne, łatwiej zrozumieć, dlaczego niektóre projekty pozostają notatnikami, a inne stają się prawdziwymi narzędziami. O to chodzi w praktycznej lekcji, którą stara się utrzymać The Model Log: jeden praktyczny koncept AI, jeden działający przykład i jeden szczery spojrzenie na to, co naprawdę działa.
