Gardant les deux paramètres ci-dessus à l`esprit, ce qui suit est ma tentative de construire un «Business Model évolutivité Stack»-cela devrait permettre aux entreprises de mieux comprendre l`évolutivité relative de différents types de modèles d`entreprise. Notez que NFV définit ces termes différemment: la mise à l`échelle/en est la capacité à évoluer en ajoutant/supprimer des instances de ressources (par exemple, machine virtuelle), tandis que la mise à l`échelle vers le haut/bas est la capacité à évoluer en changeant les ressources allouées (par exemple, mémoire/CPU/capacité de stockage) [6] Chez Fourkind, nous avons eu la chance d`aider à mettre en ligne des systèmes en production, et avons vu de première main l`amélioration de l`apprentissage en temps réel peut apporter à ce qui semble être une quantité infinie de domaines d`application. La construction d`un système évolutif d`apprentissage en ligne est non trivial-nous espérons que ce post fournit à ceux qui s`intéressent en temps réel à l`apprentissage de la nourriture pour la pensée, et une base contre laquelle pour itérer et améliorer. L`un des choix les plus critiques lors de la création d`un système d`apprentissage en ligne est le choix de l`algorithme d`apprentissage. Les algorithmes qui utilisent le gradient (stochastique) pour apprendre les paramètres optimaux sont naturellement appropriés pour l`apprentissage incrémentiel ¹. Beaucoup de support d`algorithmes utilisant SGD pour l`optimisation, mais pour presque toutes les situations, nous recommandons d`utiliser un apprenant linéaire comme la régression linéaire ou logistique. Il y a plusieurs raisons à cela: en fin de compte, l`objectif du progrès de l`IA est de profiter aux humains en nous permettant de relever des défis de plus en plus complexes dans le monde réel. Mais le monde réel ne vient pas avec des fonctions de récompense intégrées. Cela présente quelques défis car les performances sur ces tâches ne sont pas facilement définies. Nous avons besoin d`un bon moyen pour fournir des commentaires et permettre aux agents artificiels de comprendre de manière fiable ce que nous voulons, afin de nous aider à y parvenir. En d`autres termes, nous voulons former des systèmes d`IA avec rétroaction humaine de telle sorte que le comportement du système s`aligne avec nos intentions.
Pour nos besoins, nous définissons le problème d`alignement de l`agent comme suit: les méthodes d`ajout de ressources supplémentaires pour une application particulière relèvent de deux grandes catégories: échelle horizontale et verticale. [5] vous avez déjà parcouru une longue distance en examinant des modèles évolutifs, en scannant le paysage pour des partenaires stratégiques et en demandant beaucoup de bonnes questions de sondage. Si vous êtes prêt à mettre toutes ces notions en action, cinq idées sensées vous aideront à améliorer l`évolutivité de votre entreprise: il est généralement plus facile d`avoir une évolutivité vers le haut plutôt que vers le bas puisque les développeurs doivent souvent utiliser pleinement les ressources d`un système ( par exemple, la quantité de stockage disque disponible) lorsqu`une application est initialement codée.