Machine Learning

Introduction In the rapidly evolving landscape of artificial intelligence (AI), the concept of “Explainable AI” (XAI) has gained significant traction. The idea is simple yet compelling: create AI systems that can explain their decisions in a way humans can understand. However, despite its appeal, I argue that XAI often serves more as a comfort blanket for management than a practical solution to the challenges of AI adoption. The Allure of Explainable AI The allure of XAI is easy to understand....

Введение В быстро меняющемся мире искусственного интеллекта (ИИ) концепция «объяснимого ИИ» (OИИ) приобретает всё большую популярность. Идея проста, но убедительна: создать системы ИИ, которые могут объяснять свои решения так, чтобы люди могли их понять. Однако, несмотря на привлекательность, я утверждаю, что OИИ часто служит скорее утешительной повязкой для руководства, чем практическим решением проблем внедрения ИИ. Привлекательность объяснимого ИИ Привлекательность OИИ легко понять. По мере того как системы ИИ становятся более сложными, а процессы принятия решений — более непрозрачными, растёт обеспокоенность по поводу подотчётности и доверия....

Introduction Deploying a machine learning model into production is just the beginning of its lifecycle. Ensuring that the model continues to perform well over time and adapts to changing data distributions is a critical task. In this article, we will explore various strategies and techniques for testing and monitoring ML models in production, focusing on aspects such as drift, performance, and quality. What is Data Drift? Data drift occurs when the statistical properties of the input data change over time, leading to a degradation in model performance....

Введение Развёртывание модели машинного обучения в продакшн — это только начало её жизненного цикла. Обеспечение стабильной работы модели с течением времени и её адаптация к изменениям в распределении данных — важная задача. В этой статье мы рассмотрим различные стратегии и методы тестирования и мониторинга моделей машинного обучения в продакшне, уделяя особое внимание таким аспектам, как сдвиг данных, производительность и качество. Что такое сдвиг данных? Сдвиг данных происходит, когда статистические свойства входных данных изменяются со временем, что приводит к ухудшению производительности модели....

There’s a peculiar moment in every developer’s journey where they realize they’ve been paying cloud providers to think for them. If you’ve found yourself squinting at your monthly API bills or paranoid about sending your code snippets to third-party servers, you might be wondering: can I actually run these AI models on my laptop without it melting? More importantly—should I? The short answer is yes, and increasingly, the pragmatic answer is: it depends, but probably more often than you think....