מדען/ית נתוניםתשובות לראיון

אני מתחיל במסגרת הבעיה — איזו החלטה המודל אמור לתמוך בה, והאם למידת מכונה היא באמת הכלי המתאים? אני בודק את הנתונים, מבין התפלגויות, מטפל בחסרים ומהנדס תכונות על בסיס ידע תחומי. אני בוחר תחילה מודל בסיסי (תמיד מתחיל בפשטות), ואז מתנסה בגישות מורכבות יותר. אני מבצע אימות קפדני — שימוש באימות צולב (cross-validation), החזקת סט בדיקה נפרד, והערכת ביצועים עם המטריקות המתאימות לבעיה (לא רק דיוק). לבסוף, אני שוקל את הפריסה/ההטמעה: כיצד ינוצלו התחזיות וכיצד ינוטרו ביצועי המודל לאורך זמן?

קודם כל, אני בוחר במטריקות הערכה מתאימות — דיוק (accuracy) חסר תועלת במצבים של אי-איזון כיתות. אני משתמש ב־precision, recall, F1, AUC-ROC או Precision-Recall AUC בהתאם לעלות של חיוב שגוי מול שלילת שגוי. מבחינת הנתונים, אני משתמש ב‑SMOTE לאוברסמפלינג, בדאון־סמפלינג של הכיתה הרובית, או במשקלות כיתתיות בתוך המודל. אני גם מתנסה בהתאמת סף החלטה — הסף הסטנדרטי של 0.5 לא תמיד אופטימלי. אני מעריך איזו גישה עובדת טוב ביותר דרך ניסויים עם אימות צולב.

bias הוא שגיאה הנובעת מהנחות מופשטות מדי — underfitting. מודל עם bias גבוה טועה באותו אופן ללא תלות בנתוני האימון. variance הוא שגיאה שנובעת מהתאמה מופרזת לרעש בנתוני האימון — ביצועים טובים באימון אך גרועים על נתונים חדשים. הטרייד־אוף הוא שכדי להקטין bias (להפוך את המודל למורכב יותר) מגדילים בדרך כלל variance ולהפך. רגולריזציה (L1/L2), אימות צולב ושיטות אנסמבל הם כלים לניהול הטרייד־אוף. בפועל אני מתחיל בפשטות, מודד את שגיאת האימון מול שגיאת האימות, ומוסיף מורכבות רק כשיש עדות ל‑underfitting.

הנדסת תכונות פעמים רבות משפיעה יותר מבחירת המודל. אני מתחיל בידע תחומי — אילו משתנים מומחה תחום יחשוב כנבאים? אחר כך חוקר את הנתונים: התפלגויות, קורלציות ואפשרויות לאינטראקציות. אני יוצר תכונות כמו משתנים מעוכבים (lagged) לסדרות זמן, מונחים אינטראקציה, תכונות פולינומיות לקשרים לא‑ליניאריים, וייצוגים מקודדים עבור משתנים קטגוריים. אני מאמת את תרומת כל תכונה בעזרת גרפים של חשיבות תכונות וניסויים של הסרה (ablation) — תכונות שלא מוסיפות אות יש להסיר כדי לצמצם התאמת יתר.

אני מתרגם את פלט המודל להשפעה עסקית. במקום לומר "המודל יש AUC של 0.82," אני אומר "אם נשתמש במודל הזה כדי להעדיף את מאמצי הפנייה, נזהה 80% מהלקוחות שעומדים לעזוב בעוד שנפנה רק ל‑30% מבסיס הלקוחות — נחסוך לצוות X שעות ונשיב כ‑Y בהכנסות מוערכות." אני משתמש בוויזואליזציות — מטריצות בלבול במילים פשוטות, גרפי lift, וגרפי SHAP להסבריות. תמיד כלול גם דיווח על אי‑ודאות ומגבלות. מקבלי ההחלטות צריכים לסמוך על המודל, לא רק להשתמש בו.

השתמשתי בלמידה עמוקה ל‑NLP (BERT, כיוונון עדין של טרנספורמרים לסיווג טקסט), בראיית מכונה (CNNs לסיווג תמונות), ובחיזוי סדרות זמן (LSTMs, temporal convolutional networks). אני עובד עם PyTorch ו‑TensorFlow/Keras. אני מכיר גם העברת למידה (transfer learning) ויודע מתי לא להשתמש בלמידה עמוקה — כשכמות הנתונים מוגבלת, מודלים פשוטים לעיתים מנצחים. אני מתעדכן בתחום דרך מאמרים (ArXiv), קורסים כמו fast.ai, ומימוש ארכיטקטורות חדשות בפרויקטים אישיים.

אני מתחיל מלהבין את המאפיינים המוגנים בהקשר ובודק הטיות בנתוני האימון — נתונים היסטוריים לעיתים מקודדים אפליה היסטורית. אני משתמש במטריקות הוגנות מתאימות (equalized odds, demographic parity, individual fairness) ומקבל שקריטריונים שונים עשויים להיות במתח מתמטי. אני מבצע ניתוח disparate impact על פני קבוצות דמוגרפיות ומתעד את הממצאים. במערכות בעלות השפעה גבוהה אני מערב את האתיקאים והמומחים בתחום. הטיה במודלים היא סיכון עסקי ואתי, לא רק בעיה טכנית.

פרסתי מודלים כ‑REST APIs (FastAPI, Flask), ממומשים כקונטיינרים באמצעות Docker ומתוזמנים עם Kubernetes. אני משתמש ב‑MLflow למעקב ניסיונות ורישום מודלים. בניתי צנרת ניטור לגילוי סטייה בנתונים (data drift) בעזרת כלים כמו Evidently ו‑Great Expectations, ולזיהוי התדרדרות בביצועי המודל לאורך זמן. אני כותב בדיקות יחידה לצנרת הנתונים ולפונקציות אינפרנס, ומטפל בקוד המודל באותם סטנדרטים הנדסיים כמו קוד אפליקציה. הפריסה היא המקום שבו רוב פרויקטי למידת המכונה מצליחים או נכשלים.