Grigory Dymov

Hantverket

En del av tiden gick åt till att driva Grandmother Machine Learning (GMLAB), ett eget bolag som optimerade Google Ads-annonsering via deras API. Det är en obarmhärtig miljö att bygga modeller i: en modell som sätter bud spenderar pengar varje timme, och när den har fel syns det i kontoutdraget samma dag. Jag har skrivit om vad de åren lärde mig om modeller i drift: löpande QA, omträning som utlöses av mätning, och hur lätt det är att optimera fel storhet med hög precision.

Resten av tiden har gått åt till det som ligger före modellen: att avgöra vad som faktiskt ska loggas, vilka härledda variabler som bär signal, och hur data ska fångas in för att över huvud taget kunna besvara frågan. Modellvalet är sällan det som avgör om ett projekt håller.

Öppet om metoderna

Metoderna ligger öppet under metod, verktygen under verktygslåda och det längre jag skriver under insikter. Dels för att det är rimligt att veta hur den man anlitar tänker, dels för att jag tycker om att skriva om det.

På Kaggle är jag Competitions Expert efter 19 tävlingar, med bästa placering 622 av drygt 210 000 deltagare. Det säger mest något till den som själv arbetar med modeller, men den som gör det vet vad det betyder.

Vad jag tycker

De flesta AI-projekt misslyckas inte på modellen, utan på att ingen bestämt vilket beslut den ska stödja.

Det låter banalt tills man räknar. En modell som ska styra budgivning i realtid och en modell som ska styra vilka kunder säljarna ringer är två olika modeller, med olika krav på uppdateringstakt och träffsäkerhet. Väljer man fel har man byggt något som fungerar utmärkt för ett beslut ingen fattar.