目次
冒頭
説明可能な人工知能
統合パターン
翻訳者紹介
ホームページ テクノロジー周辺機器 AI 機械学習モデル管理: 統合モデリング

機械学習モデル管理: 統合モデリング

May 01, 2023 pm 07:13 PM
機械学習 データサイエンス ファイナンス

翻訳者 | Cui Hao

査読者 | Sun Shujuan

冒頭

機械学習モデル管理: 統合モデリング

##機械学習は企業によってさまざまなビジネス シナリオに適用され、さまざまな問題を解決しますビジネス上の問題: 機械学習の応用が広範に行われているため、組織は学習方法の選択に困惑しています。

多くの組織は、機械学習の応用において高度な学習方法と古典的な学習方法を使用しています。教師あり学習と教師なし学習というよく知られた二分法があり、また、対照学習、強化学習、自己教師あり学習などの機械学習の新たなバリエーションも存在します。

さらに、グラフ分析、ディープ ニューラル ネットワーク、セグメンテーション、行動分析、その他の技術が関係します。金融犯罪と戦うためのマネーロンダリング対策の強化など、大規模で複雑なビジネス上の問題に直面したとき、組織はどの機械学習手法を使用するかをどのように決定するのでしょうか?

統合モデリングを使用すると、この問題はそれほど重要ではなくなります。この機械学習アプローチにより、組織はさまざまなモデルを活用し、それらを予測精度と組み合わせて最適な結果を達成することができます。

このアプローチは、金融サービス、不正行為検出、サイバーセキュリティにおける高次元データの完全なコンテキストを提供するのに役立ちます。統合モデリングを使用する組織は、「統合モデリングにより、モデル構築の多様性がさらに高まる」と述べており、Resistant AI の CEO である Martin Rehak 氏は、「単一のモデルが目立つことを望んでいない」と認めています。モデル使用の多様性 組織は、十分な情報に基づいた、説明可能な一貫した意思決定方法を採用するために、さまざまなアルゴリズムを使用してビジネス上の問題のさまざまな側面を評価できます。

コンセンサスに基づくモデルの意思決定

前述の統合モデリングの原則に疑問の余地はありません。データ サイエンティストは、ビジネス ケースに合わせた完璧なモデルの設計に多くの時間を費やす必要はありません。これらの不完全なモデルを組み合わせて、予測力を生み出します。 「機械学習をアンサンブル アプローチで見ると、小さなアルゴリズムから意思決定を行うことになります」と Rehak 氏は述べています。 「そして、私たちの場合、最良の決定を下すために、これらのアルゴリズムは取引ごとに動的に結合されます。」 さらに、おそらくこれらのモデルのそれぞれは、マネーロンダリング事件の特定など、特定の分野に特化することができます。

たとえば、あるモデルはトランザクションのサイズのみに焦点を当てています。別のモデルは、トランザクションの場所に焦点を当てています。さまざまなモデルで、どの特定の参加者がトランザクションに関与したかを調べることができます。目標は「スパイクが存在しない」状況だとレハク氏は説明する。 「モデルの分布は非常に平坦であり、モデルに対応する証拠は比較的弱いです。多くの弱い証拠要素を組み合わせることで、より強力な意思決定を行うことができます。」 もう 1 つの利点は、古典的な機械学習とより単純なモデルを通じて、トレーニングが少なくて済むことです。モデルを運用環境に導入するにはデータ (および注釈) が必要です。このようなモデルは、大量のトレーニング データを必要とするディープ ニューラル ネットワークよりも解釈が容易です。

コンテキスト モデリング

Rehak によって説明された分布フラット モデリング アプローチを、他のアンサンブル モデリング手法と区別することが重要です。アンサンブル モデリングの最も一般的な例には、バギングまたはブースティングが含まれます (後者には、Xtreme Gradient Boosting が必要になる場合があります)。ランダム フォレストは、さまざまなデシジョン ツリーの組み合わせに基づくブースティングの一例です。このアプローチでは、「コレクション内の以前のバージョンに基づいてコレクションを 1 つずつ構築します」と Rehak 氏はコメントしています。これは、高い予測精度を備えたモデルを構築する迅速な方法ですが、過剰適合のリスクがあります (トレーニング データ セットが小さすぎるため、モデルは運用データに適用できにくくなります)。

Rehak の統合アプローチは、これらのイベントに影響を与えるコンテキストに基づいているため、AML のユースケースにより適しています。 「マネーロンダリングの専門家に取引が悪意のあるものだったかどうかを尋ねると、彼らはまず口座の履歴と、その人物が過去にどのような行動をとったのかを調べます」とレハク氏は語った。彼のアプローチを通じて、地理的位置、時刻、利害関係者、金融機関に関連する要素が、個別の機械学習モデルを使用して検査されます。これらの各モデルの結果を組み合わせることでのみ、AI システムは誤検知を大幅に減らして犯罪取引が発生したかどうかを判断できます。 「機械学習を使えば、マネーロンダリング対策チームが圧倒されてしまうような異常値のほとんどを説明できます」とレハク氏は言う。

意思決定境界

モデリングのユースケースを統合する場合、分析トランザクションのさまざまな側面をモデル化するために 60 を超えるモデルを使用するのが一般的です。統合されたアプローチのリアルタイム結果は、このアプリケーション シナリオに最適です。 「これら 60 個のアルゴリズムの 1 つでは、すべてをセグメントに分割し、1 秒あたりの平均トランザクション サイズをモデル化できます」と Rehak 氏は明らかにします。 「同時に動的に更新される何千ものクリップを作成できます。」

多数のモデルがアンサンブルに結合され、それぞれのモデルが取引のさまざまな側面を評価して潜在的な犯罪行為を明らかにするため、より包括的なアプローチを作成することはできません。 「私たちはあなたを非常に多くの角度から見ているので、これらすべての犯罪行為を回避しながら、あなたの行動を形作ることが非常に困難になっています。なぜなら、『犯罪者』が特定されないためには、回避する必要があるからです」とレハク氏は明らかにした。決定境界は複数ありますが、動的な決定境界は多数あります。これらのアルゴリズムの各モデルは個別に学習され、その後、それらを組み合わせます。"

説明可能な人工知能

多数の決定境界が存在します。これらのセットがどのように解釈可能性を高めるか、またそれらが何に対応するかについての側面。まず、高度な機械学習にあまり依存しておらず、より単純で解釈しやすいアルゴリズムのみが含まれています (従来の機械学習を含む)。これらのモデルは、取引犯罪を評価するための基礎となりました。 「何かが重要だと言うとき、私たちはその理由を伝えることができます」とレハク氏は言う。 「どの指標がこれを示しているかを知ることができます。これらの要因により取引犯罪のリスクが高いことを示す、それぞれの結果についてレポートを書くことができます。」 各アルゴリズムは特性に焦点を当てていますが、すべてのアルゴリズムがすべて同じ重み付けをしているわけではありません。モデル。一般に、グラフ分析を含むアルゴリズム (関係性の調査に優れている) には、他のモデルよりも大きな重みが与えられます。

モデルは、疑わしい動作を説明するだけでなく、外れ値が発生する理由も明らかにします。 「通常、アンサンブルには 4 つまたは 5 つの支配的なアルゴリズムがあります。つまり、私がそれが外れ値であると信じても、その背後にあるアルゴリズムのせいで他の人も同意することになります」と Rehak 氏は述べました。 「また、トリガーが 4 つまたは 5 つあるため、結果が異常に偏っていることが保証されます。」 個々のモデルはトランザクション内の 1 つの要素のみを評価するため、解釈可能性とスコアの単語の解釈可能性が提供されます。 「私たちはセット、マイクロセグメンテーション、ボリュームを知っているので、その情報をスコアの横の質問で簡単に表示できます。ボリュームは企業の財務部門にとって非常に重要です」と Rehak 氏は付け加えました。

統合パターン

最終的には、統合モデリングは 1 つのアプリケーションよりも多く使用されますが、AML アクティビティには非常に役立ちます。このテクノロジーを正しく適用すると、ビジネスクリティカルな問題を解決するために必要なトレーニング データと注釈の量を削減しながら、解釈可能性を向上させることができます。

アンサンブル モデリングは、さまざまなデータ サイエンス手法を活用して、問題を 1 つまたは 2 つに限定するのではなく、複数のビジネス上の問題を解決します。結果として、この統合された問題解決アプローチが AI 導入の申し子となる可能性があります。

翻訳者紹介

Cui Hao は、51CTO コミュニティ編集者兼シニア アーキテクトであり、ソフトウェア開発とアーキテクチャに 18 年の経験と、分散アーキテクチャに 10 年の経験があります。元HPの技術専門家。彼は喜んで共有し、600,000 回以上読まれる人気の技術記事を多数執筆してきました。 『分散アーキテクチャの原則と実践』の著者。

元のタイトル: 機械学習モデル管理: アンサンブル モデリング

以上が機械学習モデル管理: 統合モデリングの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

このウェブサイトの声明
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

メモ帳++7.3.1

メモ帳++7.3.1

使いやすく無料のコードエディター

SublimeText3 中国語版

SublimeText3 中国語版

中国語版、とても使いやすい

ゼンドスタジオ 13.0.1

ゼンドスタジオ 13.0.1

強力な PHP 統合開発環境

ドリームウィーバー CS6

ドリームウィーバー CS6

ビジュアル Web 開発ツール

SublimeText3 Mac版

SublimeText3 Mac版

神レベルのコード編集ソフト(SublimeText3)

この記事では、SHAP: 機械学習のモデルの説明について説明します。 この記事では、SHAP: 機械学習のモデルの説明について説明します。 Jun 01, 2024 am 10:58 AM

機械学習とデータ サイエンスの分野では、モデルの解釈可能性が常に研究者や実務家に焦点を当ててきました。深層学習やアンサンブル手法などの複雑なモデルが広く適用されるようになったことで、モデルの意思決定プロセスを理解することが特に重要になってきました。 Explainable AI|XAI は、モデルの透明性を高めることで、機械学習モデルに対する信頼と自信を構築するのに役立ちます。モデルの透明性の向上は、複数の複雑なモデルの普及や、モデルを説明するための意思決定プロセスなどの方法によって実現できます。これらの方法には、特徴重要度分析、モデル予測間隔推定、ローカル解釈可能性アルゴリズムなどが含まれます。特徴重要度分析では、入力特徴に対するモデルの影響度を評価することで、モデルの意思決定プロセスを説明できます。モデルの予測間隔の推定

透明!主要な機械学習モデルの原理を徹底的に分析! 透明!主要な機械学習モデルの原理を徹底的に分析! Apr 12, 2024 pm 05:55 PM

平たく言えば、機械学習モデルは、入力データを予測された出力にマッピングする数学関数です。より具体的には、機械学習モデルは、予測出力と真のラベルの間の誤差を最小限に抑えるために、トレーニング データから学習することによってモデル パラメーターを調整する数学関数です。機械学習には、ロジスティック回帰モデル、デシジョン ツリー モデル、サポート ベクター マシン モデルなど、多くのモデルがあります。各モデルには、適用可能なデータ タイプと問題タイプがあります。同時に、異なるモデル間には多くの共通点があったり、モデル進化の隠れた道が存在したりすることがあります。コネクショニストのパーセプトロンを例にとると、パーセプトロンの隠れ層の数を増やすことで、それをディープ ニューラル ネットワークに変換できます。パーセプトロンにカーネル関数を追加すると、SVM に変換できます。これです

学習曲線を通じて過学習と過小学習を特定する 学習曲線を通じて過学習と過小学習を特定する Apr 29, 2024 pm 06:50 PM

この記事では、学習曲線を通じて機械学習モデルの過学習と過小学習を効果的に特定する方法を紹介します。過小適合と過適合 1. 過適合 モデルがデータからノイズを学習するためにデータ上で過学習されている場合、そのモデルは過適合していると言われます。過学習モデルはすべての例を完璧に学習するため、未確認の新しい例を誤って分類してしまいます。過適合モデルの場合、完璧/ほぼ完璧なトレーニング セット スコアとひどい検証セット/テスト スコアが得られます。若干修正: 「過学習の原因: 複雑なモデルを使用して単純な問題を解決し、データからノイズを抽出します。トレーニング セットとしての小さなデータ セットはすべてのデータを正しく表現できない可能性があるため、2. 過学習の Heru。」

宇宙探査と人類居住工学における人工知能の進化 宇宙探査と人類居住工学における人工知能の進化 Apr 29, 2024 pm 03:25 PM

1950 年代に人工知能 (AI) が誕生しました。そのとき、研究者たちは、機械が思考などの人間と同じようなタスクを実行できることを発見しました。その後、1960 年代に米国国防総省は人工知能に資金を提供し、さらなる開発のために研究所を設立しました。研究者たちは、宇宙探査や極限環境での生存など、多くの分野で人工知能の応用を見出しています。宇宙探査は、地球を超えた宇宙全体を対象とする宇宙の研究です。宇宙は地球とは条件が異なるため、極限環境に分類されます。宇宙で生き残るためには、多くの要素を考慮し、予防策を講じる必要があります。科学者や研究者は、宇宙を探索し、あらゆるものの現状を理解することが、宇宙の仕組みを理解し、潜在的な環境危機に備えるのに役立つと信じています。

C++ での機械学習アルゴリズムの実装: 一般的な課題と解決策 C++ での機械学習アルゴリズムの実装: 一般的な課題と解決策 Jun 03, 2024 pm 01:25 PM

C++ の機械学習アルゴリズムが直面する一般的な課題には、メモリ管理、マルチスレッド、パフォーマンスの最適化、保守性などがあります。解決策には、スマート ポインター、最新のスレッド ライブラリ、SIMD 命令、サードパーティ ライブラリの使用、コーディング スタイル ガイドラインの遵守、自動化ツールの使用が含まれます。実践的な事例では、Eigen ライブラリを使用して線形回帰アルゴリズムを実装し、メモリを効果的に管理し、高性能の行列演算を使用する方法を示します。

説明可能な AI: 複雑な AI/ML モデルの説明 説明可能な AI: 複雑な AI/ML モデルの説明 Jun 03, 2024 pm 10:08 PM

翻訳者 | Li Rui によるレビュー | 今日、人工知能 (AI) および機械学習 (ML) モデルはますます複雑になっており、これらのモデルによって生成される出力はブラックボックスになっており、関係者に説明することができません。 Explainable AI (XAI) は、利害関係者がこれらのモデルがどのように機能するかを理解できるようにし、これらのモデルが実際に意思決定を行う方法を確実に理解できるようにし、AI システムの透明性、信頼性、およびこの問題を解決するための説明責任を確保することで、この問題を解決することを目指しています。この記事では、さまざまな説明可能な人工知能 (XAI) 手法を検討して、その基礎となる原理を説明します。説明可能な AI が重要であるいくつかの理由 信頼と透明性: AI システムが広く受け入れられ、信頼されるためには、ユーザーは意思決定がどのように行われるかを理解する必要があります

あなたが知らない機械学習の 5 つの流派 あなたが知らない機械学習の 5 つの流派 Jun 05, 2024 pm 08:51 PM

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

フラッシュ アテンションは安定していますか?メタとハーバードは、モデルの重みの偏差が桁違いに変動していることを発見しました フラッシュ アテンションは安定していますか?メタとハーバードは、モデルの重みの偏差が桁違いに変動していることを発見しました May 30, 2024 pm 01:24 PM

MetaFAIR はハーバード大学と協力して、大規模な機械学習の実行時に生成されるデータの偏りを最適化するための新しい研究フレームワークを提供しました。大規模な言語モデルのトレーニングには数か月かかることが多く、数百、さらには数千の GPU を使用することが知られています。 LLaMA270B モデルを例にとると、そのトレーニングには合計 1,720,320 GPU 時間が必要です。大規模なモデルのトレーニングには、これらのワークロードの規模と複雑さにより、特有のシステム上の課題が生じます。最近、多くの機関が、SOTA 生成 AI モデルをトレーニングする際のトレーニング プロセスの不安定性を報告しています。これらは通常、損失スパイクの形で現れます。たとえば、Google の PaLM モデルでは、トレーニング プロセス中に最大 20 回の損失スパイクが発生しました。数値的なバイアスがこのトレーニングの不正確さの根本原因です。

See all articles