「ゼロからの実験オーケストレーション」

「美容とファッションの実験オーケストレーション」

複雑なモデリング問題を解決するカスタムの実験オーケストレータの開発。

この記事では、なぜ実験オーケストレーションが重要なのか、既存のオーケストレーションのソリューション、MongoDBを使用して独自のオーケストレータを構築する方法、およびいくつかのユースケースでその利点がある理由について探求します。

この記事は誰にとって役に立つでしょうか？ データにモデルを適合させようとするすべての人。したがって、それらの実験を整理する方法が必要です。

この記事はどれくらい高度ですか？ オーケストレーションのアイデアは非常に単純であり、ほぼすべてのスキルレベルでアクセスできます。この例はバックエンド開発者やデータサイエンティストが進出しようとする際にもアクセスできます。

前提条件： データベースやサーバーなどのコアネットワーキング原則に関する作業の理解度が必要です。また、ハイパーパラメータなどのコアデータサイエンスの概念にも理解が必要です。

• マシンラーニング手法の鉄道欠陥検索への応用（パート2）
• 「AIを活用してより良い世界を実現する」
• 「戦略的データ分析（パート1）」

コード： 完全なコードはこちらで見つけることができます。注：このリポジトリは記事作成時点では作業中です。

実験オーケストレーションとは何ですか？

「実験オーケストレーション」とは、同じ一般的なコンセプトで構成されるさまざまなタスクのことを指しています。最も一般的な実験オーケストレーションの形式は、ハイパーパラメータのスイープです。つまり、ある範囲のハイパーパラメータ値が与えられた場合に、その範囲をスイープして特定のモデリング問題に対して最適なハイパーパラメータセットを見つけることです。これらの計画された実験の組織化は一般的にオーケストレーションと呼ばれます。

簡単なスイープはほとんどの場合に問題を解決しますが、モデリング問題がより複雑になると、より複雑な実験を行う必要があります。複数のモデルタイプを実験し、それぞれが独自のハイパーパラメータ空間を持つ複数のデータセットを使って作業する必要があるかもしれません。

たとえば、私は現在、非均質モデリングアプリケーション内で異なるモデリング戦略のパフォーマンスについての研究を行っています。「特定の問題を解決するための最適なハイパーパラメータセットは何か」ということには興味がありませんが、「複数のモデルタイプがそれぞれ独自のハイパーパラメータ…

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!