Quatre obstacles courants dans les projets IA/ML
Mais la malheureuse réalité est que 85 % des projets d'IA et de ML ne peuvent pas être entièrement livrés, et seulement 53 % des projets peuvent passer du prototype à la production. Pourtant, les dépenses américaines en matière d’intelligence artificielle atteindront 120 milliards de dollars d’ici 2025, soit une augmentation de 20 % ou plus, selon les récentes prévisions de dépenses d’IDC.
Il est donc important d'éviter cinq erreurs courantes qui font souvent échouer les projets d'IA et de ML.
1. Comprendre les ressources nécessaires pour entraîner les algorithmes de ML, en particulier les ressources de données
Bien que cela semble formidable de dire que l'IA et le ML sont utilisés pour révolutionner les processus de l'entreprise, la réalité est que 80 % des entreprises trouvent ces projets plus difficiles que attendu .
Pour que ces projets réussissent, il faut une compréhension claire de ce qui est nécessaire en termes de ressources et de personnes. L'une des erreurs les plus courantes est de ne pas comprendre comment obtenir les données de formation correctes. Non seulement cela est essentiel au succès d'un tel programme, mais cela nécessite également beaucoup d'efforts et d'expertise pour le mener à bien. La plupart des entreprises qui cherchent à adopter des projets d’IA/ML n’ont pas accès à la quantité ou à la diversité des données nécessaires pour garantir des résultats impartiaux et de haute qualité.
Cependant, ne pas y parvenir crée souvent d'énormes obstacles au succès, entraînant une montée en flèche des coûts du projet et une chute de la confiance dans le projet.
Les données de formation disponibles pour les entreprises ne manquent pas, et de nombreuses sociétés de données tierces sont en mesure de fournir des services. Le problème est que ce n’est pas parce qu’une entreprise peut facilement acheter de grandes quantités de données à moindre coût qu’il s’agit de données de formation de haute qualité, ce qui est nécessaire pour réussir des projets d’IA et de ML. Plutôt que de simplement acheter des données universelles, les entreprises ont besoin de données spécifiques à un projet.
Donc, pour réduire les biais, il est important de s’assurer que les données sont représentatives d’un public large et diversifié. Les données doivent également être annotées avec précision pour votre algorithme, et leur conformité aux normes de données, aux lois sur la confidentialité des données et aux mesures de sécurité doit toujours être vérifiée.
2. Ne vous attendez pas à ce que le développement de l’intelligence artificielle se fasse sans heurts
La formation des algorithmes ML n’est pas un processus étrange. Une fois la formation commencée et le modèle de données mieux compris, des modifications doivent continuer à être apportées aux données collectées. Il n'est pas facile de savoir de quelles données vous avez réellement besoin avant de commencer le processus de formation de l'algorithme. Par exemple, vous réaliserez peut-être qu'il y a un problème avec l'ensemble de formation ou la manière dont les données ont été collectées.
Comme le développement logiciel traditionnel, l'intelligence artificielle est essentiellement composée de logiciels et nécessite un investissement continu et stable pour générer progressivement des bénéfices. Et dans ce processus, ne le prenez jamais à la légère.
3. Intégrez toujours les tests d'assurance qualité (AQ)
Souvent, les tests d'assurance qualité sont considérés comme un module complémentaire ou une modalité permettant de garantir le bon fonctionnement du produit, plutôt que d'être considérés comme un outil essentiel pour optimiser le produit dans toutes les itérations. En fait, les tests d’assurance qualité constituent un élément important du développement réussi de l’IA. La validation des résultats doit être intégrée à chaque étape du processus de développement de l'IA pour réduire les coûts, accélérer les délais de développement et garantir une allocation efficace des ressources.
4. Planifiez des retours fréquents sur les applications
Bien que cela puisse paraître intimidant à imaginer, la réalité est que les projets d'IA ne sont jamais vraiment terminés. Même si un projet dépasse les attentes en matière de précision et de performances, vous avez encore place à l’amélioration et à l’amélioration. De plus, les algorithmes prennent des décisions basées sur des éléments en constante évolution (opinions, conversations, images, etc.). Pour qu’une expérience d’IA réussisse aujourd’hui et à l’avenir, elle doit être recyclée en continu pour s’adapter aux nouvelles circonstances sociales, aux développements technologiques et à d’autres changements ayant un impact sur les données.
En fait, les entreprises qui constatent les impacts les plus positifs de l’adoption de l’IA suivent les meilleures pratiques de base et en IA et investissent dans l’IA plus efficacement que leurs pairs. Cela inclut le test des performances des modèles d'IA avant le déploiement, le suivi des performances pour voir si les résultats s'améliorent au fil du temps et le développement de bons protocoles pour garantir la qualité des données.
En développant une approche robuste pour développer des programmes d'IA, les entreprises peuvent éviter ces erreurs courantes et assurer le succès à long terme de leurs initiatives d'IA et de ML.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
