Lesson 3 – Basic ML Workflow

Basic Workflow

ขั้นตอนการสร้าง Machine Learning Model แบบง่ายที่สุดคือ train-test-split แบ่งเป็น 4 ขั้นตอน

• Split data (80% train, 20% test)
• Train model
• Predict new data (Scoring)
• Evaluate model

📝 สัดส่วนการ split data ไม่ได้มีกฏตายตัว ปกติเราชอบเห็นคนใช้ที่ 80:20 หรือ 70:30 หลักการคร่าวๆคือเราควรแบ่ง train, test ให้ใหญ่พอสำหรับการเทรนและทดสอบโมเดล

Why Data Splitting?

คำถามคือทำไมต้องแบ่งข้อมูลเป็น train vs. test ด้วย (splitting)?

ทำไมเราไม่ train model ด้วยข้อมูลทั้งหมดที่มีเลย?

ตอบ ถ้าทำแบบนั้น เราจะไม่มีทางรู้เลยว่าโมเดลของเราดีจริงหรือเปล่า เป้าหมายของ ML คือการสร้างโมเดลไปใช้กับ unseen data ที่มันไม่เคยเห็นมาก่อน ศัพท์เทคนิคเราเรียกว่าการทำ Generalization

เราแบ่งข้อมูลเป็นสองส่วน

• train data เพื่อเทรนโมเดล (seen data)
• test data เพื่อทดสอบโมเดล (unseen data)

Model ที่จะสอบผ่านเกณฑ์ของเราเข้าสู่ production/ deployment ต้องทำงานได้ดีทั้งตอน train และ test (ถ้ามีข้อมูลอีกชุดมาใช้ validate model จะยิ่งดีเลย ไอเดียคือ test บ่อยๆให้ได้ผลลัพธ์ของโมเดลที่มัน reliable)

📝 Golden Standard สำหรับการเทรนโมเดล classical ML คือ K-Fold Cross Validation ซึ่งแอดยังไม่ได้สอนในคอร์สนี้ สำหรับนักเรียน Bootcamp ไว้เรียนในแคมป์ได้ใน sprint ML นะครับ 😁

Scoring and Evaluating Model

ขั้นตอนการ score + evaluate คือการทำนายและวัดผลโมเดล

• Score คือการเอาโมเดลที่เราเทรนไปทำนาย test data
• Evaluate คือการวัดผลโมเดลด้วย metrics ต่างๆ เช่น ค่า accuracy เป็นต้น

📝 เวลาเราสมัครบัตรเครดิต บริษัทบัตรเครดิตจะใช้โมเดลที่เรียกว่า Credit Scoring เพื่อทำนาย user profile ว่าควรจะได้เครดิตไปใช้หรือเปล่า โมเดลจะทำนายออกมาเป็นค่าความน่าจะเป็น เช่น good 85%, bad 15%

Optional – MLOps

หลังจากเราได้โมเดลที่ทำงานได้ตามเกณฑ์ที่เรากำหนดไว้แล้ว step สุดท้ายคือการทำ model deployment หรือการนำโมเดลไปใช้งานจริงๆ คนที่รับผิดชอบงานส่วนนี้คือ ML Engineer/ MLOps (ML + Operation)

งานส่วนนี้ต้องใช้ความรู้ด้าน software engineering เยอะเลย ครอบคลุมเรื่อง

• Design
• Model Deployment
• Operations

MLOps is a core function of Machine Learning engineering, focused on streamlining the process of taking machine learning models to production, and then maintaining and monitoring them

Databricks

📝 เนื้อหา MLOps จะไม่ได้อยู่ในคอร์สเรียนนี้ของเรานะครับ เพื่อนๆที่สนใจ MLOps สามารถศึกษาเพิ่มเติมได้ที่

• MLOps – Databricks
• ML Ops: Machine Learning Operations (ml-ops.org)
• MLOps ฟันเฟืองแห่งอนาคตที่จะเปลี่ยนไอเดียในอากาศให้กลายเป็นธุรกิจพันล้าน และสร้างอิมแพ็กเปลี่ยนสังคมให้ดีขึ้นได้ [Advertorial] – THE STANDARD
• MLOPs – บทเรียนจาก KBTG การผลักดัน AI ให้สำเร็จ แค่ทำโมเดลอย่างเดียวไม่พอ | Blognone