A kép szerzője
Az adatkezelés és a mesterséges intelligencia fáradtsága két különböző fogalomnak tűnik, de a kettő között belső kapcsolat van. Hogy jobban megértsük, kezdjük a definíciójukkal.
Hosszú ideig ez volt az adatipar középpontjában.
Google jól fogalmaz – „Az adatkezelés mindent megtesz annak érdekében, hogy az adatok biztonságosak, privátak, pontosak, elérhetőek és használhatók legyenek. Ez magában foglalja a belső szabványok – adatirányelvek – meghatározását, amelyek az adatok gyűjtésére, tárolására, feldolgozására és ártalmatlanítására vonatkoznak.”
Amint ez a meghatározás rávilágít, az adatkezelés az adatok kezeléséről szól – pontosan a motort hajtó mesterséges intelligencia modellekről.
Most, hogy az adatirányítás és a mesterséges intelligencia közötti kapcsolat első jelei kezdtek megjelenni, vessük összefüggésbe a mesterséges intelligencia fáradtságával. Noha a név elárulja, az ilyen fáradtsághoz vezető okok kiemelése biztosítja a kifejezés következetes használatát a bejegyzésben.
A mesterséges intelligencia fáradtsága a szervezetek, fejlesztők vagy csapatok kudarcai és kihívásai miatt jelentkezik, amelyek gyakran az AI-rendszerek sikertelen értékmegvalósításához vagy megvalósításához vezetnek.
Ez többnyire irreális elvárásokból indul ki azzal kapcsolatban, hogy mire képes az AI. Az olyan kifinomult technológiák esetében, mint a mesterséges intelligencia, a kulcsfontosságú érdekelt feleknek nem csak az AI képességeihez és lehetőségeihez kell igazodniuk, hanem korlátaihoz és kockázataihoz is.
Ha a kockázatokról beszélünk, az etikát gyakran utólagos gondolatnak tekintik, amely a nem megfelelő mesterségesintelligencia-kezdeményezések elvetéséhez vezet.
Biztosan kíváncsi az adatkezelés szerepére a mesterséges intelligencia kimerülésében – ez a bejegyzés előfeltétele.
Ez az, ahová a következő lépésben tartunk.
A mesterséges intelligencia fáradtsága nagyjából a bevezetés előtti és a telepítés utáni kategóriába sorolható. Először koncentráljunk a bevezetés előttire.
Előzetes telepítés
Különböző tényezők járulnak hozzá a Proof of Concept (PoC) bevezetéséhez, mint például:
- Mit próbálunk megoldani?
- Miért jelent komoly problémát a prioritások meghatározása most?
- Milyen adatok állnak rendelkezésre?
- Elsősorban ML-ben megoldható?
- Az adatoknak van mintája?
- Megismételhető a jelenség?
- Milyen további adatok javítják a modell teljesítményét?
Kép Freepik
Miután felmértük, hogy a probléma legjobban ML algoritmusokkal oldható meg, az adattudományi csapat feltáró adatelemzést végez. Ebben a szakaszban számos mögöttes adatminta kerül feltárásra, amelyek rávilágítanak arra, hogy az adott adat gazdag-e a jelben. Segít olyan tervezett funkciók létrehozásában is, amelyek felgyorsítják az algoritmus tanulási folyamatát.
Ezután a csapat felállítja az első alapmodellt, gyakran úgy, hogy az nem teljesít az elfogadható szinten. Az a modell, amelynek teljesítménye olyan jó, mint egy érmefeldobás, nem ad hozzáadott értéket. Ez az egyik első kudarc, más néven tanulság az ML modellek építése során.
A szervezetek egyik üzleti problémáról a másikra léphetnek át, ami fáradtságot okoz. Ennek ellenére, ha az alapul szolgáló adatok nem hordoznak gazdag jelet, akkor semmilyen mesterséges intelligencia-algoritmus nem építhet rájuk. A modellnek meg kell tanulnia a statisztikai asszociációkat a betanítási adatokból, hogy nem látott adatokon általánosíthasson.
Telepítés után
Annak ellenére, hogy a betanított modell ígéretes eredményeket mutat a validálási halmazon, a minősítő üzleti kritériumoknak, például a 70%-os pontosságnak megfelelően, még mindig előfordulhat fáradtság, ha a modell nem működik megfelelően a termelési környezetben.
Az AI ilyen típusú fáradtságát a telepítés utáni fázisnak nevezik.
Számtalan ok vezethet a teljesítmény romlásához, ahol a rossz adatminőség a modell leggyakoribb problémája. Ez korlátozza a modell azon képességét, hogy pontosan megjósolja a célválaszt a döntő attribútumok hiányában.
Gondoljunk csak bele, amikor az egyik alapvető jellemző, amely csak 10%-ban hiányzott a képzési adatokból, most az üzemi adatok 50%-ában nullává válik, ami hibás előrejelzésekhez vezet. Az ilyen iterációk és a következetesen működő modellek biztosítására irányuló erőfeszítések kimerítik az adattudósokat és az üzleti csapatokat, ezáltal rontják az adatfolyamokba vetett bizalmat, és kockáztatják a projektbe történő befektetéseket.
A robusztus adatkezelési intézkedések kritikusak a mesterséges intelligencia mindkét típusának kimerültségének leküzdésében. Tekintettel arra, hogy az adatok az ML-modellek középpontjában állnak, a jelgazdag, hibamentes és jó minőségű adatok elengedhetetlenek egy ML projekt sikeréhez. A mesterséges intelligencia kimerültségének kezelése megköveteli, hogy nagy hangsúlyt fektessünk az adatkezelésre. Szigorúan kell tehát dolgoznunk a megfelelő adatminőség biztosítása érdekében, megalapozva a legmodernebb modellek felépítését és megbízható üzleti betekintést nyújtva.
Adatminőség
Az adatok minősége, a virágzó adatirányítás kulcsa, a gépi tanulási algoritmusok kulcsfontosságú sikertényezője. A szervezeteknek be kell fektetniük az adatok minőségébe, például jelentéseket kell közzétenniük az adatfogyasztóknak. Az adattudományi projektekben gondoljon arra, hogy mi történik, amikor a rossz minőségű adatok eljutnak a modellekhez, ami gyenge teljesítményhez vezethet.
Csak a hibaelemzés során tudták a csapatok azonosítani azokat az adatminőségi aggályokat, amelyek javításra küldve a csapatok elfáradását okozzák.
Nyilvánvaló, hogy ez nem csak a ráfordított erőfeszítés, hanem sok idő is elveszik, amíg a megfelelő adatok elkezdenek beérkezni.
Ezért mindig tanácsos az adatproblémákat a forrásnál javítani, hogy elkerüljük az ilyen időigényes iterációkat. Végül a közzétett adatminőségi jelentések utalnak az adattudományi csapatra (illetve bármely más továbbfelhasználóra és adatfogyasztóra) a bejövő adatok elfogadható minőségének megértésével.
Adatminőségi és irányítási intézkedések nélkül az adatkutatókat túlterhelnék adatproblémák, ami hozzájárulna a sikertelen modellekhez, amelyek a mesterséges intelligencia fáradtságához vezetnek.
A bejegyzés rávilágított arra a két szakaszra, amelyben a mesterséges intelligencia fáradtsága beáll, és bemutatta, hogy az adatkezelési intézkedések, például az adatminőségi jelentések miként tehetik lehetővé a megbízható és robusztus modellek felépítését.
Ha szilárd alapot teremtenek az adatirányításon keresztül, a szervezetek ütemtervet építhetnek a sikeres és zökkenőmentes mesterségesintelligencia-fejlesztéshez és -alkalmazáshoz, lelkesedést keltve.
Annak biztosítására, hogy a bejegyzés holisztikus áttekintést adjon a mesterséges intelligencia kimerültségének kezelésének különféle módjairól, hangsúlyozom a szervezeti kultúra szerepét is, amely más bevált gyakorlatokkal, például az adatkezeléssel kombinálva lehetővé teszi és felhatalmazza az adattudományi csapatokat arra, hogy korábban értelmes mesterségesintelligencia-hozzájárulást hozzanak létre. gyorsabban.
Vidhi Chugh egy mesterséges intelligencia-stratégia és a digitális transzformáció vezetője, aki a termék, a tudomány és a mérnöki tudományok metszéspontjában dolgozik, hogy méretezhető gépi tanulási rendszereket építsen. Díjnyertes innovációs vezető, író és nemzetközi előadó. Az a küldetése, hogy demokratizálja a gépi tanulást, és megtörje a szakzsargont, hogy mindenki részese legyen ennek az átalakulásnak.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://www.kdnuggets.com/can-data-governance-address-ai-fatigue?utm_source=rss&utm_medium=rss&utm_campaign=can-data-governance-address-ai-fatigue
- :van
- :is
- :nem
- :ahol
- $ UP
- a
- képesség
- Rólunk
- elfogadható
- pontos
- pontosan
- További
- cím
- címzés
- Hozzáteszi
- megfelelő
- Örökbefogadás
- tanácsos
- AI
- AI modellek
- AI rendszerek
- aka
- algoritmus
- algoritmusok
- összehangolása
- Is
- mindig
- között
- an
- elemzés
- és a
- Másik
- bármilyen
- alkalmaz
- VANNAK
- felmerülhet
- AS
- egyesületek
- At
- attribútumok
- szerző
- elérhető
- díjnyertes
- el
- Rossz
- kiindulási
- BE
- válik
- óta
- BEST
- legjobb gyakorlatok
- Jobb
- között
- mindkét
- szünet
- nagyjából
- épít
- Épület
- épít
- üzleti
- de
- by
- hívott
- TUD
- képességek
- képes
- visz
- okozó
- kihívások
- Érme
- kombinált
- Közös
- kényszerítő
- koncepció
- fogalmak
- aggodalmak
- bizalom
- kapcsolat
- figyelembe vett
- következetes
- következetesen
- Fogyasztók
- contribuer
- hozzájáruló
- hozzájárulások
- Mag
- tudott
- teremt
- kritériumok
- kritikai
- kritikus
- kultúra
- dátum
- adatelemzés
- adatminőség
- adat-tudomány
- definíció
- szállít
- demokratizálni
- bevetés
- fejlesztők
- Fejlesztés
- különböző
- digitális
- digitális átalakítás
- do
- nem
- vezetés
- két
- alatt
- erőfeszítés
- erőfeszítések
- felmerül
- hangsúlyt helyez
- képessé
- lehetővé
- engedélyező
- végén
- Motor
- manipulált
- Mérnöki
- biztosítására
- biztosítja
- lelkesedés
- Környezet
- hiba
- alapvető
- létrehozó
- Eter (ETH)
- etika
- értékelték
- végül is
- mindenki
- minden
- várakozások
- Feltáró adatelemzés
- Arc
- tényező
- tényezők
- nem sikerül
- gyorsabb
- fáradtság
- Jellemzők
- megtalálása
- vezetéknév
- Rögzít
- rögzített
- Flip
- Összpontosít
- A
- Alapítvány
- ból ből
- összegyűjtött
- kap
- adott
- ad
- jó
- kormányzás
- alapozás
- megtörténik
- Legyen
- Cím
- segít
- jó minőségű
- Kiemelt
- kiemelve
- kiemeli
- holisztikus
- Hogyan
- HTTPS
- i
- azonosítani
- if
- végrehajtás
- in
- Bejövő
- ipar
- kezdeményezések
- Innováció
- meglátások
- belső
- Nemzetközi
- útkereszteződés
- bele
- belső
- befektet
- Beruházások
- jár
- kérdés
- kérdések
- IT
- iterációk
- ITS
- zsargon
- éppen
- KDnuggets
- Kulcs
- lefektetés
- vezet
- vezető
- vezető
- vezetékek
- TANUL
- tanulás
- Tanulságok
- hadd
- szint
- mint
- korlátozások
- határértékek
- vonal
- LINK
- Hosszú
- hosszú idő
- elveszett
- Sok
- gép
- gépi tanulás
- készült
- csinál
- KÉSZÍT
- kezelése
- sok
- Anyag
- Lehet..
- jelentőségteljes
- intézkedések
- közepes
- hiányzó
- Küldetés
- ML
- ML algoritmusok
- modell
- modellek
- a legtöbb
- többnyire
- mozog
- kell
- név
- Szükség
- következő
- nem
- Most
- of
- gyakran
- on
- ONE
- csak
- or
- szervezeti
- szervezetek
- Más
- teljesítmény
- áttekintés
- rész
- Mintás
- minták
- teljesít
- teljesítmény
- előadó
- Előadja
- fázis
- jelenség
- cső
- Hely
- Plató
- Platón adatintelligencia
- PlatoData
- PoC
- szegény
- lehetőségek
- állás
- gyakorlat
- pontosan
- Pontosság
- előre
- Tippek
- bemutatott
- megakadályozása
- Fontossági sorrendet
- magán
- Probléma
- folyamat
- feldolgozott
- Termékek
- Termelés
- program
- projektek
- biztató
- bizonyíték
- bizonyíték a koncepcióra
- közzétett
- Kiadás
- helyezi
- képesítő
- világítás
- minőségi adatok
- megvalósítás
- miatt
- megismételhető
- Jelentések
- megköveteli,
- válasz
- Eredmények
- Gazdag
- jobb
- kockáztatva
- kockázatok
- ütemterv
- erős
- Szerep
- skálázható
- Tudomány
- TUDOMÁNYOK
- tudósok
- zökkenőmentes
- biztonság
- küldött
- készlet
- kudarcok
- Szettek
- beállítás
- ő
- mutató
- Jel
- Jelek
- So
- szilárd
- SOLVE
- megoldott
- kifinomult
- hang
- forrás
- Hangszóró
- sebesség
- Színpad
- állapota
- érdekeltek
- kezdet
- kezdődött
- kezdődik
- csúcs-
- statisztikai
- Még mindig
- memorizált
- Stratéga
- erős
- siker
- sikeres
- ilyen
- Systems
- szerelések
- cél
- csapat
- csapat
- Technologies
- kifejezés
- hogy
- A
- azok
- Ott.
- ezáltal
- Szerintem
- ezt
- bár?
- virágzó
- Keresztül
- egész
- idő
- időigényes
- nak nek
- kiképzett
- Képzések
- Átalakítás
- megbízható
- próbál
- kettő
- típus
- típusok
- fedetlen
- mögöttes
- megért
- megértés
- -ig
- upon
- us
- használható
- használ
- Felhasználók
- segítségével
- érvényesítés
- érték
- volt
- Út..
- módon
- we
- JÓL
- Mit
- amikor
- vajon
- ami
- míg
- akinek
- lesz
- val vel
- csodálkozó
- Munka
- dolgozó
- lenne
- te
- zephyrnet