機械学習をプロダクトに入れる際に考える採用基準について - yasuhisa's blog

サービスに機械学習技術(例えばSVM)を入れる際に、「この機械学習技術は本番サービスに投入しても大丈夫なものか?」を考える基準がまとまっていると人に説明するときに便利だなとふと思ったのでまとめてみました。散々言われ尽くされている話だとは思います。 前提 考慮に入る採用基準 予測精度 (コードの)メンテナンスの容易性 計算オーダー 学習時 予測時 挙動のコントロールのしやすさ/予測説明性の容易さ チューニングの必要性 その他 まとめ 前提 機械学習がプロダクトの主要な武器になる(例えば最近話題になっているGoogle翻訳におけるNMT)ものではなく、サービスにデータがまずあり、機械学習でデータを活用することにより、そのサービスを支えていくようなものを前提に考えています(例えばCGMサービスのスパム判定)。また、投稿内容は私個人の意見であり、所属組織を代表するものではありませんとお断りしておき

[kimutansk]

予測精度/コードのメンテナンス性/計算オーダー/挙動のコントロール・説明容易性/チューニング必要性/ライブラリ実装存在と。

[georgew]

非線形性も扱えて大域的最適解に行ってくれるSVMは安心感がある > 割と単純明快なので扱いやすいかも。RandomForestで予測率が改善されるケースは少なくないが。

[udp_ip]

カーネル法使うとSVMでもそれなりの学習データを保持することになりそうだけど、どうなのだろう？　スパース正則化である程度軽くできるのかな？

[uva]

ここに書いてあることが最低限、理解できるようになりたい

[jinek]

Randomforeatのほうがチューニング楽でスケールもするからおすすめ。svmはスケーラビリティに制約があってチューニングも計算も若干辛い

[fujii_yuji]

なるほどな、まったくわからん

[ledsun]

やはり、一度ナイーブベイズを実装してみるか

[peroon]

“連続値ではRBFカーネル、離散値では線形カーネルや多項式カーネル(しかも次数は2くらいまで)を使うことがほとんど”

[Shin-JPN]

SVM強い、じゃなくてSVM使いやすい、では？　いくらガンダムが強くても、コストとかパイロットの技量とか考えたら、量産すべきはジムだよね、という。

[hiddy216]

いいですね

[cocoasynn]

これはかなり良い記事

[thirtyfive]

これから勉強する。

[rti7743]

SVMは便利なライブラリもあり、精度もよくて楽だけども、なぜそうなるのか結果を説明できないのが問題だよなあと。

[shounenA]

わかりやすさも採用基準に入れているのがいいですね。 ディープラーニングが流行るのは、わかりやすさも多分にあると思います。 個人的にはCRFってわかりやすいかな？と思うけど。

[razokulover]

やはりSVMつええになるな

[aideiori2016]

なんでも入れればいいってわけではないと

[nisisinjuku]

運用がちゃんと周り、将来性が見込めるってことをきちんと考えた設計をするってことですね。素敵です☆

[karaage]

何か分類したいとなったら、まずはSVMよね

[sucrose]

誤字＞「線形台数」

[civitaspo]

http://ift.tt/2fSezCV

[chezou]

整理されていて良い。前提として結構レベルの高いチームがいる気がする

[y_uuki]

参考になる