URN_NBN_SI_DOC-RKSH48DC

SIR * IUS, september 2020 82 Modeliranje (Modelling). Če je priprava podatkov (praviloma) najmanj zaželena aktivnost v celotnem procesu, pa je gradnja modelov znanja oz. modeliranje najvznemirljivejša aktivnost za vsakega podatkovnega znanstvenika ali inženirja strojnega učenja. V tej fazi namreč iz obilice surovih podatkov izločimo vzorce oz. znanje, kar je bistvo strojnega učenja in ključni element vseh rešitev umetne inteligence. Po uspešno zaključeni fazi modeliranja lahko z uporabo naučenih modelov odgovorimo na (vsebinska) vprašanja, postavljena v fazi razumevanja domene. Ovrednotenje (Evaluation). Čeprav smo do te faze že zgradili (model) rešitve, celotnega procesa, s tem še ni povsem konec, saj moramo zgrajene modele oz. opravljeno analizo še ustrezno ovrednotiti. Pri razvoju napovednih modelov moramo preveriti, kako se izkažejo na neznanih podatkih. Praviloma želimo razvite modele primerjati z obstoječimi, njihovo uspešnost pa statistično (ali kako drugače) ovrednotiti. Ključnega pomena pri tem je zagotoviti verodostojnost vrednotenja. Če smo v fazi modeliranja (in pravzaprav v vseh ostalih fazah) stremeli k razvoju čim uspešnejših napovednih modelov ter jim v ta namen pomagali z vsem, kar nam je na voljo, moramo pri ovrednotenju najprej poskrbeti za to, da je vrednotenje čim rigoroznejše in doslednejše ter da odpravimo kakršnokoli uhajanje podatkov. Neustrezno vrednotenje najpogosteje privede do situacije, ko se sicer zelo dobro ocenjeni model v praksi izkaže za bistveno slabšega oz. neustreznega. Dve ključni komponenti vrednotenja zgrajenih modelov strojnega učenja sta metoda ocenjevanja (ki določa, kako merimo) in izbira meril kakovosti oz. cenitvenih metrik (ki določajo, kaj merimo). Namestitev (Deployment). Namestitev razvitih in ovrednotenih modelov je precej podobna namestitvi kakršnekoli druge komponente IS-jev. Predvsem želimo avtomatizirati postopek namestitve, da bo ponovljiv, preverljiv in preprost za vzdrževanje. 7. SKLEP Kot velja na mnogih drugih področjih človekovega ustvarjanja, je tudi pri gradnji rešitev umetne inteligence najboljše zagotovilo za kakovostno rešitev jasno določen in ustrezno nadzorovan proces razvoja. Mnogim tveganjem se lahko uspešno izognemo, če sledimo uveljavljenim inženirskim praksam, opravimo temeljito analizo problema, dobro načrtujemo rešitev, sistematično pristopimo k implementaciji, celoten proces razvoja ustrezno nadzorujemo, samo razvito rešitev pa dosledno testiramo. Pravilnosti delovanja zgrajenih modelov znanja nad realnimi, nepoznanimi primeri ni mogoče popolnoma preveriti. Že v osnovi so namreč rešitve umetne