Data Flywheel

Veri çarkı, kendi kendini güçlendiren bir AI iyileştirme döngüsüdür: dağıtılan bir model tahminler ve geri bildirim üretir, ekipler en yararlı üretim verilerini daha iyi eğitim örneklerine dönüştürür ve güncellenen model bir sonraki dağıtımında daha değerli veriler üretir. “Çark” metaforu ivmeyi vurgular; iyi yönetilen her yineleme bir sonrakini daha hızlı, daha odaklı ve daha etkili hale getirebilir.

computer vision alanında bu genellikle model zayıflıklarını ortaya çıkaran zorlu görüntüleri veya video karelerini yakalamayı, bunları inceleyip etiketlemeyi, modeli yeniden eğitmeyi, yeni sürümü doğrulamayı ve üretime geri döndürmeyi ifade eder. Bir defalık veri seti genişletmesinin aksine, veri çarkı gerçek dünyadaki kullanımı doğrudan sürekli model iyileştirmeye bağlar.

Link to this sectionVeri Çarkı Nasıl Çalışır#

Pratik bir çark genellikle beş birbirine bağlı aşamadan oluşur:

1. Üretim sinyallerini toplayın: Girdileri, tahminleri, güven skorlarını, operasyonel sonuçları ve izin verilen kullanıcı geri bildirimlerini kaydedin. Faydalı bir sistem, her şeyi süresiz olarak depolamak yerine yanlış alarmlar, kaçırılan nesneler, olağandışı sahneler veya düşük güvenli tahminler gibi bilgilendirici durumlara öncelik verir.
2. Verileri düzenleyin ve etiketleyin: Yinelenenleri, bozuk dosyaları, hassas bilgileri ve alakasız örnekleri kaldırın. İnsan incelemeciler daha sonra sınıf etiketleri, sınırlayıcı kutular, maskeler veya anahtar noktalar dahil olmak üzere data annotation yoluyla güvenilir temel gerçekliği oluşturur.
3. Eğitin ve değerlendirin: Onaylanan örnekleri sürüm oluşturulmuş training data öğesine ekleyin, modeli yeniden eğtin veya ince ayar yapın ve üretim sürümüyle karşılaştırın. TensorFlow Data Validation, şema kontrollerinin ve sapma karşılaştırmalarının, eğitimden önce sorunlu verilerin belirlenmesine nasıl yardımcı olabileceğini gösterir.
4. Güvenli bir şekilde dağıtın: Adayı kademeli olarak yayınlayın, uygulama düzeyindeki sonuçları ölçün ve bir geri alma yolu saklayın. Google Cloud MLOps architecture, veri doğrulama, model doğrulama, sürekli eğitim ve dağıtımın üretim hatlarında nasıl birbirine bağlanabileceğini açıklar. (docs.cloud.google.com)
5. İzleyin ve tekrarlayın: Kaliteyi, gecikmeyi, hataları ve değişen girdi dağılımlarını takip edin. AWS machine learning monitoring guidance; incelemeyi veya yeniden eğitimi tetikleyebilecek veri kalitesi, model kalitesi ve sapma sinyallerini kapsar. (docs.aws.amazon.com)

Platformlar ve hatlar, bu aşamalar arasındaki sürtünmeyi azaltır. Ultralytics Platform tek bir ortamda bulut veri seti etiketlemeyi, eğitimi, dağıtımı ve izlemeyi desteklerken, dataset management workflow ekiplerin görsel verileri organize etmesine, analiz etmesine, sürüm oluşturmasına ve güncellemesine yardımcı olur.

Link to this sectionİlgili Kavramlar ve Temel Farklar#

Bir veri çarkı, çeşitli ML kavramlarıyla örtüşür ancak bunlarla aynı şey değildir:

• Active learning, genellikle belirsizliğe veya çeşitliliğe dayalı olarak bir modeli verimli bir şekilde geliştirmesi beklenen örnekleri seçer. Bir çarkın veri seçimi aşamasını destekleyebilir, ancak çark ayrıca dağıtımı, geri bildirim yakalamayı, yönetişimi ve tekrarlanan teslimatı içerir.
• MLOps, tekrarlanabilir eğitim, test, dağıtım ve izleme için mühendislik uygulamaları sağlar. Veri çarkı iyileştirme dinamiklerini tanımlar; MLOps ise onu güvenilir kılan altyapının büyük kısmını sağlar.
• Geri bildirim döngüleri otomatik olarak faydalı değildir. Tahminler bağımsız bir temel gerçeklik olmaksızın gelecekteki eğitim verilerini etkilerse, hatalar ve önyargılar kendilerini güçlendirebilir. Google'ın ML feedback-loop risks hakkındaki kılavuzu, ekiplerin model çıktılarını daha sonraki girdileri nasıl etkilediğini neden izlemesi gerektiğini açıklar. (developers.google.com)
• Ağ etkileri, bir ürün daha fazla kişi tarafından kullanıldıkça daha değerli hale geldiğinde ortaya çıkar. Kullanım benzersiz, yasal ve yüksek kaliteli veriler yarattığında bir veri çarkı savunulabilir bir avantaja katkıda bulunabilir, ancak tek başına daha yüksek hacim bir hendek değildir. Veriler yaygın, gürültülü veya poorly governed ise rakipler bu avantajı kopyalayabilir.

Link to this sectionGerçek Dünya Uygulamaları#

• Üretim görsel denetimi: Bir kusur dedektörü başlangıçta yaygın çiziklerden, çatlaklardan ve montaj hatalarından öğrenir. Dağıtımdan sonra operatörler, yeni malzemeler, yansımalar veya kamera açılarından kaynaklanan belirsiz tahminleri ve kaçırılan kusurları inceler. Bu doğrulanmış örnekler bir sonraki eğitim döngüsüne girerek gerçek fabrika koşullarında algılamayı geliştirir. Ekipler Ultralytics Platform annotation tools aracılığıyla yaşam döngüsünü yönetebilir ve deployment monitoring ile üretim uç nokta davranışını takip edebilir.

• Perakende raf izleme: Bir nesne algılama sistemi ürünleri, boş alanları ve yanlış yerleştirilmiş öğeleri tanımlar. Mağaza görüntüleri; orijinal veri setinde bulunmayan mevsimsel ambalajları, kalabalık rafları, parlamaları ve bölgesel ürün varyasyonlarını ortaya çıkarır. Bu durumların eklenmesi, sonraki modellerin daha güvenilir envanter bilgileri üretmesine yardımcı olurken manuel kontrolleri azaltır. Model tarafından oluşturulan hataların kabul edilen etiketler haline gelmemesi için yine de tahminler örneklenmeli ve doğrulanmalıdır.

Link to this sectionGüvenilir Bir Veri Çarkı Oluşturma#

Sadece daha fazla veri toplamak yerine, kaçırılan kusurları veya yanlış uyarıları azaltmak gibi ölçülebilir bir hedefle başlayın. Veri seti ve model soyunu koruyun, her aday öğeyi sabit bir test setiyle karşılaştırın ve hangi değişikliklerin performansı etkilediğini anlamak için MLflow Tracking gibi deney kayıtlarını kullanın. Döngü boyunca gizlilik, erişim, saklama ve insan incelemesi kontrollerini uygulayın; NIST AI RMF Core, dağıtılan sistemleri izlemek ve kullanıcı girdilerini, olayları ve değişiklikleri yönetmek için rehberlik sağlar. (airc.nist.gov)

Aşağıdaki çalıştırılabilir örnek, YOLO26, Train mode ve Validation mode kullanarak küçük bir yinelemeyi göstermektedir:

from ultralytics import YOLO

# Train a short baseline iteration on a small example dataset
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=1)

# Evaluate before using the updated model
metrics = model.val()
print(metrics.box.map)

# Run the model on a new candidate image for review
results = model.predict("https://ultralytics.com/images/bus.jpg")
result = results[0]
result.save(filename="candidate_review.jpg")

Bu örnek tüm çarkı otomatikleştirmez. Çarkın temel model tarafındaki desenini gösterir: tanımlanmış bir veri setinde eğit, sonucu doğrula, yeni veriler üzerinde çıkarım çalıştır ve düzeltilmiş herhangi bir örnek bir sonraki döngüye girmeden önce incelenebilecek bir çıktıyı kaydet.