07 Podaci, AI i platforma
Istraživački ML i AI prototipovi
Prototipovi i eksperimenti koji proveravaju da li ideja iz mašinskog učenja ili učenja potkrepljivanjem funkcioniše — u simulaciji ili oflajn, uz ponovljiva pokretanja.
Ishod: Osnova za odluku — graditi, preraditi ili odustati — iz ponovljivih eksperimenata.
Ovo je istraživački inženjering za ideje koje još nisu postale funkcije proizvoda. Ideja se pretvara u merljivo pitanje, prototip se pravi u Python-u i PyTorch-u, a zatim se trenira i evaluira u simuliranom ili oflajn okruženju, odvojeno od sistema koje koristite.
Odgovara kada je izgradnja skupa, a odgovor neizvestan: ideja za učenje potkrepljivanjem ili predviđanje ishoda, model koji je jednom dao dobar rezultat pa ga treba proveriti, ili dva pristupa koja treba uporediti. Dobijate izmerene rezultate i preporuku — dokaz koncepta, a ne produkcioni sistem.
Tipične potrebe
- Ideja iz mašinskog učenja kojoj treba dokaz pre kompletnog razvoja
- Rezultati modela koji se menjaju sa svakim pokretanjem i ne mogu se ponoviti
- Pitanje za proveru u simulaciji ili na oflajn podacima, van produkcionih sistema
Šta dobijate
- Prototip u Python-u spreman za pokretanje, uz okruženje ili podatke za trening
- Okvir za evaluaciju koji poredi model sa osnovnim modelima na fiksnim semenima
- Izveštaj o rezultatima i ograničenjima, uz preporuku: graditi, preraditi ili odustati
Pristup
Kako teče rad.
- 01
Merljivo pitanje
Ideja se zapisuje kao pitanje na koje eksperiment može da odgovori: metrika, osnovni modeli koje treba nadmašiti i rezultat koji bi značio odustajanje.
- 02
Izolovano okruženje
Simulirano okruženje ili oflajn skup podataka postavlja se odvojeno od produkcije, pa se pokretanja mogu bezbedno ponavljati, a sistemi u radu ostaju netaknuti.
- 03
Trening sa fiksnim semenima
Prototip modela pravi se u PyTorch-u i trenira uporedo sa jednostavnim osnovnim modelima na više fiksnih semena, uz zaključane verzije zavisnosti i testove u CI-ju.
- 04
Izveštaj i preporuka
Izveštaj beleži rezultate, njihovo odstupanje između semena i ono što ne dokazuju, a zatim daje preporuku: graditi, preraditi ili odustati.
Tehnologije
- Python
- PyTorch
- pytest
- GitHub Actions
Inženjer koji radi ovaj posao je osnivač, Filip Volf — sarađujete direktno sa njim.
Pitanja
O ovoj usluzi.
Po čemu se ovo razlikuje od primenjenog AI-ja i automatizacije poslovanja?
Primenjeni AI uvodi jezičke modele u proces koji već radi, uz čoveka koji odobrava rezultat. Ova usluga odgovara na ranije pitanje: da li model ili metod učenja uopšte funkcioniše, u simulaciji ili na oflajn podacima. Ako funkcioniše, prototip i izveštaj postaju polazna tačka za produkcioni razvoj.
Da li eksperimenti zahtevaju pristup našim produkcionim sistemima?
Ne. Eksperimenti se izvode u simuliranom okruženju ili na oflajn podacima dogovorenim sa vama, odvojeno od produkcije. U projektu Ariaska RL, istraživanju osnivača, CI paket takođe radi oflajn, bez mrežnog pristupa i pokretanja alata.
Šta ako rezultati pokažu da ideja ne funkcioniše?
Onda je to odgovor — zapisan sa brojkama na kojima počiva i dobijen pre ulaganja u kompletan razvoj. Izveštaj navodi šta je eksperiment dokazao, a šta nije, i da li vredi kao sledeći korak proveriti neko drugo pitanje.
Povezane usluge
- 01
Softver po meri i SaaS
Ishod: Jedan izvor istine umesto rasutih alata.
- 05
API-ji, backend arhitektura i PostgreSQL
Ishod: Poslovna pravila sprovedena jednom, tamo gde su podaci.
- 06
Primenjeni AI i automatizacija poslovanja
Ishod: Manje ručnog rada, uz čoveka odgovornog za svaku odluku.
Sledeći korak
Razgovarajmo o tome šta gradite.
Opišite šta treba izgraditi ili popraviti, kako se posao danas odvija i koja su ograničenja. Dobićete pitanja koja razjašnjavaju zahtev ili prvi predlog pristupa — imejlom, na srpskom ili engleskom.