Пробел между великими AI-прототипами и AI в действии начинает быть общей темой, поскольку ИИ и машинное обучение вступают в контакт с реальным миром. Причина заключается в том, что данные не сидят на месте и никогда не будут.
Изменение данных происходит по мере изменения мира. Создание модели искусственного интеллекта или машинного обучения означает создание способа взглянуть на мир. Но по мере того как мир и данные меняются, модели должны адаптироваться или умереть.
Модель сама по себе слишком хрупка для реального мира. Она должна быть более крупной системой, которая фактически является жидкостью. Итак, как мы создаем системы ИИ с учетом пяти атрибутов:
1. Управляемость
Для ИИ и машинного обучения для выполнения реальной и долговременной работы необходима продуманная, прочная, прозрачная инфраструктура. Это начинается с идентификации конвейеров данных и устранения проблем с плохими или отсутствующими данными. Это также означает интегрированное управление данными и контроль версий для моделей.
2. Текучесть
Быть жидким означает принятие с самого начала того, что модели ИИ и если учесть, что тут была быстрая разработка нейронных сетей выпадают из строя. Этот «дрейф» может происходить быстро или медленно в зависимости от того, что меняется в реальном мире. Имеют ли данные научный эквивалент регрессионного тестирования и часто проводят тестирование, но не сжигают ваше время.
Это требует системы, в которой вы можете установить пороговые значения точности и автоматические оповещения, чтобы вы знали, что модели нуждаются во внимании. Нужно ли переучивать модель по старым данным, получать новые данные или перепроектировать свои функции с нуля? Ответ зависит от данных и модели, но первый шаг — знать, что есть проблема.
3. Исполняемость
Большинство ИИ как и искусственные нейронные сети, являются компьютерно-интенсивными — как во время обучения, так и после развертывания. И большинству моделей нужно забивать транзакции в миллисекундах, а не минутах — чтобы предотвратить мошенничество. В идеале вы можете обучать модели на графических процессорах, а затем развертывать их на высокопроизводительных процессорах вместе с достаточным объемом памяти для подсчета в реальном времени.
4. Измеряемость
На данный момент бюджеты проектов ИИ и машинного обучения являются щедрыми, но эти бюджеты будут высыхать, если сборщики данных не смогут добиться конкретных результатов. Подумайте с самого начала о том, как вы будете оценивать и визуализировать то, что вы изучаете, и как оно изменяется.
5. Непрерывность
Пятый и последний аспект жидкого ИИ — это непрерывное обучение по мере изменения мира. Обязательно используйте такие инструменты, которые могут подключаться к процессам для планирования оценок и моделей перепрограммирования.
Оставить комментарий