Inhaltsverzeichnis
Um zu verstehen, wie viele Daten Sie benötigen, müssen Sie zunächst verstehen, wo sich die Daten in der Struktur des KI-Projekts befinden. Eine visuelle Möglichkeit, den zunehmenden Wert, den wir aus Daten ziehen, zu verstehen, ist die „DIKUW-Pyramide“ (manchmal auch „DIKW-Pyramide“ genannt), die zeigt, wie die Datengrundlage durch Informationen, Wissen, Verständnis und Weisheit transformiert werden kann größeren Wert.
Big Data hat uns gelehrt, mit großen Datenmengen umzugehen. Nicht nur, wie die Daten gespeichert werden, sondern auch, wie all diese Daten verarbeitet, manipuliert und analysiert werden. Maschinelles Lernen bietet noch mehr Mehrwert, indem es die verschiedenen Arten unstrukturierter, halbstrukturierter oder strukturierter Daten verarbeitet, die Unternehmen sammeln. Tatsächlich handelt es sich bei dieser jüngsten KI-Welle um eine Welle von Big-Data-gesteuerten Analysen.
3. Übermäßige falsche Daten und unzureichende korrekte Daten töten KI-Projekte.
Heim Technologie-Peripheriegeräte KI Haben Sie bei KI-Projekten schon einmal diese fatalen Fehler gemacht?

Haben Sie bei KI-Projekten schon einmal diese fatalen Fehler gemacht?

Apr 20, 2023 am 08:10 AM
项目 ai 数据

​Übersetzer |. Bugatti

Rezensent |.Da Daten der Kern der künstlichen Intelligenz (KI) sind, ist es nicht verwunderlich, dass KI- und maschinelle Lernsysteme (ML) zum Lernen genügend hochwertige Daten benötigen. Um ein KI- oder ML-System richtig zu trainieren, sind insbesondere bei überwachten Lernmethoden in der Regel große Mengen hochwertiger Daten erforderlich. Wie viele Daten erforderlich sind, hängt vom implementierten KI-Modell, den verwendeten Algorithmen und anderen Faktoren wie internen Daten und Daten Dritter ab. Beispielsweise erfordern neuronale Netze große Datenmengen zum Trainieren, während Entscheidungsbäume oder Bayes'sche Klassifikatoren nicht so viele Daten benötigen, um qualitativ hochwertige Ergebnisse zu erhalten.

Man denkt also vielleicht, je mehr Daten, desto besser, oder? Bitte denken Sie noch einmal darüber nach. Organisationen mit großen Datenmengen (sogar Exabytes) erkennen, dass mehr Daten das Problem nicht wie erwartet lösen. Tatsächlich bringen mehr Daten auch mehr Fragen mit sich. Je mehr Daten Sie haben, desto mehr Daten müssen Sie bereinigen und vorbereiten, je mehr Daten Sie kennzeichnen und verwalten müssen, desto mehr Daten müssen Sie sichern, schützen, Voreingenommenheit reduzieren und andere Maßnahmen ergreifen. Wenn man anfängt, die Datenmenge zu erhöhen, können aus kleinen Projekten schnell große Projekte werden. Tatsächlich führen große Datenmengen oft zum Scheitern von Projekten.

Der fehlende Schritt zwischen der Identifizierung eines Geschäftsproblems und der Organisation von Daten zur Lösung dieses Problems besteht eindeutig darin, zu bestimmen, welche Daten benötigt werden und wie viele davon tatsächlich benötigt werden. Sie benötigen genügend Daten, haben aber nicht zu viele: nicht mehr und nicht weniger, genau richtig. Leider stürzen sich Unternehmen oft in KI-Projekte, ohne die Daten zu verstehen. Organisationen müssen viele Fragen beantworten, darunter herauszufinden, wo sich die Daten befinden, wie viele Daten sie bereits haben, in welchem ​​Zustand sie sich befinden, welche Merkmale der Daten am wichtigsten sind, interne und externe Verwendungen der Daten, Herausforderungen beim Datenzugriff und Anforderungen zur Verbesserung bestehender Daten sowie anderer Schlüsselfaktoren und Fragen. Ohne die Beantwortung dieser Fragen können KI-Projekte scheitern oder sogar in einem Datenmeer untergehen.

1. Die Daten besser verstehen

Um zu verstehen, wie viele Daten Sie benötigen, müssen Sie zunächst verstehen, wo sich die Daten in der Struktur des KI-Projekts befinden. Eine visuelle Möglichkeit, den zunehmenden Wert, den wir aus Daten ziehen, zu verstehen, ist die „DIKUW-Pyramide“ (manchmal auch „DIKW-Pyramide“ genannt), die zeigt, wie die Datengrundlage durch Informationen, Wissen, Verständnis und Weisheit transformiert werden kann größeren Wert.

Mit einer soliden Datengrundlage können Sie auf der nächsten Informationsebene tiefere Einblicke gewinnen, die Ihnen bei der Beantwortung grundlegender Fragen zu diesen Daten helfen können. Sobald Sie grundlegende Verbindungen zwischen Daten hergestellt haben, um Erkenntnisse zu gewinnen, können Sie Muster in diesen Informationen finden und verstehen, wie die Informationsteile miteinander verbunden sind, um tiefere Erkenntnisse zu gewinnen. Organisationen können einen größeren Mehrwert erzielen, indem sie auf der Wissensebene aufbauen und verstehen, warum diese Muster auftreten, und so dabei helfen, die zugrunde liegenden Muster zu verstehen. Schließlich können Sie den größtmöglichen Nutzen aus Informationen auf der Intelligenzebene ziehen, indem Sie die Ursache und Wirkung von Informationsentscheidungen genau verstehen.

Die jüngste KI-Welle konzentriert sich vor allem auf die Wissensschicht, da maschinelles Lernen Erkenntnisse liefert, um Muster auf der Informationsschicht zu erkennen. Leider stößt maschinelles Lernen auf der Verständnisebene auf einen Engpass, da das Finden von Mustern nicht ausreicht, um Rückschlüsse zu ziehen. Wir verfügen über maschinelles Lernen, aber nicht über maschinelles Denken, um zu verstehen, warum Muster auftreten. Sie sehen diese Einschränkung jedes Mal, wenn Sie mit einem Chatbot interagieren. Während die auf maschinellem Lernen basierende Verarbeitung natürlicher Sprache (NLP) sehr gut darin ist, menschliche Sprache zu verstehen und Absichten abzuleiten, stößt sie beim Versuch, sie zu verstehen und zu begründen, an Grenzen. Wenn Sie beispielsweise einen Sprachassistenten fragen, ob Sie morgen einen Regenmantel tragen möchten, versteht dieser nicht, dass Sie nach dem Wetter fragen. Es liegt an den Menschen, den Maschinen diese Erkenntnisse zu vermitteln, denn der Sprachassistent hat keine Ahnung, was Regen eigentlich ist.

2. Bleiben Sie datenbewusst, um Fehler zu vermeiden

Big Data hat uns gelehrt, mit großen Datenmengen umzugehen. Nicht nur, wie die Daten gespeichert werden, sondern auch, wie all diese Daten verarbeitet, manipuliert und analysiert werden. Maschinelles Lernen bietet noch mehr Mehrwert, indem es die verschiedenen Arten unstrukturierter, halbstrukturierter oder strukturierter Daten verarbeitet, die Unternehmen sammeln. Tatsächlich handelt es sich bei dieser jüngsten KI-Welle um eine Welle von Big-Data-gesteuerten Analysen.

Aber genau aus diesem Grund müssen einige Organisationen einen großen Rückschlag in Sachen KI hinnehmen. Anstatt KI-Projekte aus einer datenzentrierten Perspektive durchzuführen, konzentrieren sie sich auf die funktionalen Aspekte. Um KI-Projekte zu steuern und fatale Fehler zu vermeiden, müssen Unternehmen nicht nur KI und maschinelles Lernen, sondern auch die verschiedenen „Vs“ von Big Data besser verstehen. Es geht nicht nur um die Menge der Daten, sondern auch um die Art der Daten. Zu den Vs von Big Data gehören:

  • Menge: Die absolute Menge an Big Data im Besitz.
  • Geschwindigkeit: Die Geschwindigkeit, mit der sich Big Data verändert. Der erfolgreiche Einsatz von KI bedeutet, KI auf Hochgeschwindigkeitsdaten anzuwenden.
  • Vielfalt: Daten können in vielen verschiedenen Formaten vorliegen, darunter strukturierte Daten wie Datenbanken, halbstrukturierte Daten wie Rechnungen und unstrukturierte Daten wie E-Mails, Bilder und Videodateien. Erfolgreiche KI-Systeme können mit dieser Vielfalt umgehen.
  • Authentizität: Dies bezieht sich auf die Qualität und Genauigkeit der Daten und darauf, wie sehr Sie diesen Daten vertrauen. Müll rein, Müll raus, insbesondere in datengesteuerten KI-Systemen. Daher müssen erfolgreiche KI-Systeme in der Lage sein, mit stark unterschiedlichen Datenqualitäten umzugehen.

Mit jahrzehntelanger Erfahrung im Management von Big-Data-Projekten haben Organisationen, die im Bereich KI erfolgreich sind, vor allem im Bereich Big Data Erfolg gehabt. Organisationen, die das Scheitern von KI-Projekten erlebt haben, gehen KI-Probleme oft mit einer anwendungsentwicklungsorientierten Denkweise an.

3. Übermäßige falsche Daten und unzureichende korrekte Daten töten KI-Projekte.

Obwohl KI-Projekte korrekt gestartet werden, scheitern der Mangel an notwendigen Daten, mangelndes Verständnis und ungelöste praktische Probleme. Unternehmen schreiten immer weiter voran, ohne ein wirkliches Verständnis der erforderlichen Daten und Datenqualität zu haben, was zu echten Herausforderungen führt.

Einer der Gründe, warum Unternehmen diesen Datenfehler machen, ist, dass sie bei der Arbeit an KI-Projekten über keine echte Methodik verfügen, außer der Verwendung agiler oder Anwendungsentwicklungsmethoden. Doch erfolgreiche Unternehmen haben erkannt, dass die Verwendung eines datenzentrierten Ansatzes das Datenverständnis als erste Phase eines Projektansatzes einschließt. Der CRISP-DM-Ansatz, den es seit mehr als 20 Jahren gibt, spezifiziert das Datenverständnis als nächsten Schritt nach der Identifizierung der Geschäftsanforderungen. Basierend auf CRISP-DM und kombiniert mit agilen Methoden erfordert der Cognitive Project Management with AI (CPMAI)-Ansatz in der zweiten Phase Datenverständnis. Andere erfolgreiche Ansätze erfordern auch ein frühes Verständnis der Daten im Projekt, denn schließlich sind KI-Projekte Datenprojekte. Wie baut man ein erfolgreiches Programm auf Daten auf, wenn man es angeht, ohne die Daten zu verstehen? Dies ist definitiv ein fataler Fehler, den Sie vermeiden möchten.

Originallink: https://www.forbes.com/sites/cognitiveworld/2022/08/20/are-you-making-these-deadly-mistakes-with-your-ai-projects/?sh= 352955946b54

Das obige ist der detaillierte Inhalt vonHaben Sie bei KI-Projekten schon einmal diese fatalen Fehler gemacht?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Beste grafische Einstellungen
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. So reparieren Sie Audio, wenn Sie niemanden hören können
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Wie man alles in Myrise freischaltet
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Welche Methode wird verwendet, um Strings in Objekte in Vue.js umzuwandeln? Welche Methode wird verwendet, um Strings in Objekte in Vue.js umzuwandeln? Apr 07, 2025 pm 09:39 PM

Bei der Konvertierung von Zeichenfolgen in Objekte in Vue.js wird JSON.Parse () für Standard -JSON -Zeichenfolgen bevorzugt. Bei nicht standardmäßigen JSON-Zeichenfolgen kann die Zeichenfolge durch Verwendung regelmäßiger Ausdrücke verarbeitet und Methoden gemäß dem Format oder dekodierten URL-kodiert reduziert werden. Wählen Sie die entsprechende Methode gemäß dem String -Format aus und achten Sie auf Sicherheits- und Codierungsprobleme, um Fehler zu vermeiden.

Wie man MySQL löst, kann nicht gestartet werden Wie man MySQL löst, kann nicht gestartet werden Apr 08, 2025 pm 02:21 PM

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

So verwenden Sie MySQL nach der Installation So verwenden Sie MySQL nach der Installation Apr 08, 2025 am 11:48 AM

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Laravels Geospatial: Optimierung interaktiver Karten und großen Datenmengen Laravels Geospatial: Optimierung interaktiver Karten und großen Datenmengen Apr 08, 2025 pm 12:24 PM

Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

VUE.JS Wie kann man ein Array von String -Typ in ein Array von Objekten umwandeln? VUE.JS Wie kann man ein Array von String -Typ in ein Array von Objekten umwandeln? Apr 07, 2025 pm 09:36 PM

Zusammenfassung: Es gibt die folgenden Methoden zum Umwandeln von VUE.JS -String -Arrays in Objektarrays: Grundlegende Methode: Verwenden Sie die Kartenfunktion, um regelmäßige formatierte Daten zu entsprechen. Erweitertes Gameplay: Die Verwendung regulärer Ausdrücke kann komplexe Formate ausführen, müssen jedoch sorgfältig geschrieben und berücksichtigt werden. Leistungsoptimierung: In Betracht ziehen die große Datenmenge, asynchrone Operationen oder effiziente Datenverarbeitungsbibliotheken können verwendet werden. Best Practice: Clear Code -Stil, verwenden Sie sinnvolle variable Namen und Kommentare, um den Code präzise zu halten.

So stellen Sie die Zeitüberschreitung von Vue Axios fest So stellen Sie die Zeitüberschreitung von Vue Axios fest Apr 07, 2025 pm 10:03 PM

Um die Zeitüberschreitung für Vue Axios festzulegen, können wir eine Axios -Instanz erstellen und die Zeitleitungsoption angeben: in globalen Einstellungen: vue.Prototyp. $ Axios = axios.create ({Timeout: 5000}); In einer einzigen Anfrage: this. $ axios.get ('/api/user', {timeout: 10000}).

Remote Senior Backend Engineers (Plattformen) benötigen Kreise Remote Senior Backend Engineers (Plattformen) benötigen Kreise Apr 08, 2025 pm 12:27 PM

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen

So optimieren Sie die Datenbankleistung nach der MySQL -Installation So optimieren Sie die Datenbankleistung nach der MySQL -Installation Apr 08, 2025 am 11:36 AM

Die MySQL -Leistungsoptimierung muss von drei Aspekten beginnen: Installationskonfiguration, Indexierung und Abfrageoptimierung, Überwachung und Abstimmung. 1. Nach der Installation müssen Sie die my.cnf -Datei entsprechend der Serverkonfiguration anpassen, z. 2. Erstellen Sie einen geeigneten Index, um übermäßige Indizes zu vermeiden und Abfrageanweisungen zu optimieren, z. B. den Befehl Erklärung zur Analyse des Ausführungsplans; 3. Verwenden Sie das eigene Überwachungstool von MySQL (ShowProcessList, Showstatus), um die Datenbankgesundheit zu überwachen und die Datenbank regelmäßig zu sichern und zu organisieren. Nur durch kontinuierliche Optimierung dieser Schritte kann die Leistung der MySQL -Datenbank verbessert werden.

See all articles