Ste razvijalec, soočen z izzivom izgradnje učinkovitega in točnega napovednega modela strojnega učenja, pa za to nimate ne časa, ne dovolj poglobljenega znanja? Ali vodstvo oz. poslovni partnerji od vas pričakujejo, da boste (ob vseh ostalih nalogah) poskrbeli še za razvoj inteligentnih rešitev? Ste s pomočjo tutorialov in primerov uporabe ustvarili model, ki pa ne dosega pričakovanih rezultatov? Nekaj odgovorov in praktičnih nasvetov, kako se spopasti z naštetimi izzivi, vam bomo ponudili v okviru te »hands-on« delavnice.

Strojno učenje predstavlja jedro umetne inteligence, od preprostih napovedi do najzmogljivejših generativnih orodij. Njegova uporaba se nenehno širi na nova področja in v mnoge domene ter postaja vseprisotna tehnologija, bolj ali manj skrita v vsakodnevnih opravilih. S širjenjem področij, kjer želimo uporabiti napovedne modele strojnega učenja, se nenehno veča tudi nabor nalog in izzivov, ki bi jih radi s strojnim učenjem čim bolje rešili. Razvoj in optimizacija napovednih modelov tako nista več le domena podatkovnih znanstvenikov, pač pa njihova uporaba postaja vse bolj operativna naloga običajnih razvijalcev informacijskih rešitev in IT oddelkov v podjetjih. Le-ti nimajo poglobljenih znanj o metodah umetne inteligence in algoritmih strojnega učenja, prav tako pa ne časa za razvoj specifičnih, visoko prilagojenih in optimiziranih rešitev za posamezno nalogo. Kljub temu pa bi seveda želeli rešitev, ki bi zastavljen problem reševala čim bolj točno in zanesljivo.

Dobro znana lekcija nas uči, da je potrebno za uspešno inteligentno rešitev nad zbranimi podatki uporabiti primeren model strojnega učenja. Različni sodobni algoritmi strojnega učenja so sicer dovolj univerzalni, da je z njimi možno doseči dobre rešitve za različne naloge. Njihovo vedenje prilagajamo danemu problemu z ustrezno nastavitvijo učnih parametrov. Pri tem velja, da bolj kot je algoritem kompleksen, več parametrov vpliva na njegovo delovanje. Iskanje in prilagajanje učnih parametrov konkretni nalogi je tako lahko zelo zahtevna naloga. A na srečo obstajajo dovolj preprosti in hkrati učinkoviti pristopi, ki omogočajo optimizacijo napovednih modelov tudi brez poglobljenega znanja.

Namen delavnice je na čimbolj praktičen način predstaviti možne pristope k optimizaciji napovednih modelov, četudi niste podatkovni znanstvenik. V okviru delavnice boste sami preskusili, kako lahko z uporabo knjižnic in orodij v programskem okolju Python iz povprečnih »šolskih« modelov s predstavljenimi pristopi zgradimo kakovostno rešitev. Pridobili boste znanje in veščine, ki vam bodo pomagale izboljšati napovedne modele tudi v vašem lastnem produkcijskem okolju.