Ein kontinuierlicher Entwicklungsansatz für große, mehraufgabenbasierte dynamische ML-Systeme

Die traditionelle Methodik des maschinellen Lernens (Machine Learning, ML) erfordert die Aufteilung des Entwicklungs- und Experimentierprozesses in getrennte Iterationen, deren Rückmeldungen zur Leitung von Design- oder Optimierungswahlen herangezogen werden. Diese Vorgehensweise weist mehrere Nachteile hinsichtlich Effizienz und Skalierbarkeit auf, darunter die Inanspruchnahme erheblicher Ressourcen für die Erstellung mehrerer Versuchsmodelle, die nicht zum endgültigen Lösungsergebnis beitragen. Die vorliegende Arbeit basiert auf der Intuition, dass die Definition von ML-Modellen als modulare und erweiterbare Artefakte eine neuartige ML-Entwicklungsmethode ermöglicht, bei der mehrere Design- und Evaluationsiterationen kontinuierlich in die Weiterentwicklung eines einzigen, unbegrenzten intelligenten Systems integriert werden können. Wir definieren eine neue Methode zur Generierung dynamischer Multitask-ML-Modelle als Folge von Erweiterungen und Verallgemeinerungen. Zunächst analysieren wir die Leistungsfähigkeit des vorgeschlagenen Ansatzes mittels der etablierten empirischen Evaluationsmethodik des maschinellen Lernens. Schließlich stellen wir eine neuartige kontinuierliche Entwicklungsstrategie vor, die es ermöglicht, ein bereits bestehendes Multitask-ML-System im großen Maßstab dynamisch zu erweitern, während die Eigenschaften der vorgeschlagenen Erweiterungen analysiert werden. Dies führt zur Entwicklung eines ML-Modells, das gleichzeitig 124 Bildklassifizierungsaufgaben lösen kann und dabei eine state-of-the-art-Qualität mit verbesserter Modellgröße und geringeren Rechenkosten erreicht.