Périphériques technologiques
IA
Comment améliorer la qualité des données pour mieux répondre aux besoins des projets d'IA
Comment améliorer la qualité des données pour mieux répondre aux besoins des projets d'IA
Traducteur | Cui Hao
Critique | Sun Shujuan
Ouverture
Dans la société actuelle, le développement de l'intelligence artificielle est devenu la priorité des entreprises et des gouvernements mondiaux. Cependant, un autre problème étroitement lié à l’intelligence artificielle a été ignoré : la mauvaise qualité des données.
Les algorithmes d'IA s'appuient sur des données fiables pour produire des résultats optimaux. Si les données sont biaisées, incomplètes, inadéquates ou même inexactes, les conséquences peuvent être dévastatrices.
Les systèmes d’intelligence artificielle qui identifient les maladies des patients sont un bon exemple de données de mauvaise qualité entraînant des conséquences néfastes. Lorsque les données sont insuffisantes, ces systèmes peuvent produire des diagnostics erronés et des prévisions inexactes, entraînant des diagnostics erronés et des retards de traitement. Par exemple, une étude de l’Université de Cambridge portant sur plus de 400 outils utilisés pour diagnostiquer le Covid-19 a révélé que les rapports générés par l’IA étaient totalement inutilisables en raison de l’utilisation d’ensembles de données défectueux.
En d’autres termes, si les données ne sont pas suffisamment fiables, les initiatives d’IA auront des conséquences dévastatrices dans le monde réel.
Que signifient des données « assez bonnes » ?
Il y a toujours eu un énorme débat sur ce que sont des données « suffisamment bonnes ». Certains disent qu’il n’existe pas de données suffisamment fiables. D’autres disent que des données « trop bonnes » peuvent conduire à une paralysie de l’analyse (Traducteur : devrait faire référence à un surajustement) – tandis que HBR souligne sans détour que de mauvaises informations entraîneront le dysfonctionnement des outils d’apprentissage automatique.
Chez WinPure, des données suffisamment bonnes sont définies comme « complètes, précises, valides et peuvent être utilisées en toute confiance dans des processus métiers risqués, à un niveau qui dépend des objectifs individuels et des circonstances commerciales.
La plupart des entreprises ont des difficultés avec la qualité des données. » et la gouvernance, même si ni l’un ni l’autre ne l’admettent. Cette torture continue d'augmenter la tension du projet et de les submerger. Vous pouvez imaginer qu'ils subissent une énorme pression pour déployer des plans d'intelligence artificielle afin de conserver un avantage concurrentiel. Malheureusement, il est peu probable que des questions telles que les données sales soient discutées au sein de la salle de réunion jusqu'à ce qu'elles entraînent l'échec du projet.
Comment les mauvaises données affectent-elles les systèmes d'intelligence artificielle ?
Des problèmes de qualité des données surviennent au début du processus lorsque l'algorithme apprend en fonction des données d'entraînement. Par exemple, si un algorithme d’IA reçoit des données non filtrées des réseaux sociaux, il extraira les abus, les commentaires racistes et les remarques misogynes, comme le démontre le robot IA de Microsoft. Récemment, l’incapacité de l’intelligence artificielle à détecter les personnes à la peau foncée a également été imputée à des problèmes liés aux données d’entraînement.
Quel est le rapport avec la qualité des données ?
Le manque de gouvernance des données, la faible sensibilisation à la qualité des données et les vues cloisonnées des données sont les principaux responsables de la mauvaise qualité des données.
Que faire ?
Lorsque les entreprises se rendent compte qu'il y a un problème de qualité des données, elles paniquent à l'idée d'embaucher. En embauchant aveuglément des consultants, des ingénieurs et des analystes pour diagnostiquer et nettoyer les données, dans l’espoir de résoudre le problème le plus rapidement possible. Malheureusement, les mois ont passé et malgré les millions de dollars dépensés, le problème ne semblait pas disparaître. Adopter une approche instinctive face aux problèmes de qualité des données est rarement utile.
Le vrai changement commence à la base.
Si vous souhaitez que votre projet AI/ML avance dans la bonne direction, suivez ces trois étapes clés.
Reconnaître et reconnaître les problèmes de qualité des données
Tout d'abord, évaluez la qualité des données en créant une culture de maîtrise des données. Bill Schmarzo est une voix puissante à ce sujet, recommandant d'utiliser le design thinking pour créer une culture où chacun comprend et contribue aux objectifs et aux défis en matière de données de l'organisation.
Dans l’environnement commercial actuel, les données et leur qualité ne relèvent plus de la seule responsabilité des équipes informatiques ou data. Les utilisateurs professionnels doivent être conscients des problèmes tels que les problèmes de données sales et les données incohérentes et en double.
Alors, commencez par faire de la formation à la qualité des données un effort organisationnel précieux et donnez aux équipes les moyens d'identifier les mauvais attributs des données.
Avec la liste de contrôle ci-dessous, vous pouvez l'utiliser pour suivre la qualité des données.
Liste de contrôle sur la santé des données
- Comment capturer, stocker et gérer les données ?
- Combien de sources de données sont connectées à votre base de données centrale et dans quelle mesure les données sont-elles diffusées ?
- Dans quelle mesure gérez-vous vos données ? Avez-vous mis en œuvre des normes de gouvernance des données ? Quelle part des données est structurée, semi-structurée ou non structurée ?
- Combien dépensez-vous en réparation manuelle des données par rapport à la gestion automatisée des données ? Comment vos équipes se coordonnent-elles lors de l’accès et du traitement des données ? Existe-t-il des conflits internes fréquents entre les utilisateurs informatiques et professionnels ?
- Quelle est la qualité de vos données ? Vos données sont-elles actuelles, complètes, précises, uniques et suivent des règles standardisées ?
Élaborez un plan pour répondre aux indicateurs de qualité
Les entreprises commettent souvent des erreurs lorsqu'il s'agit de problèmes de qualité des données. Par exemple, les analystes de données sont embauchés pour effectuer des tâches quotidiennes de nettoyage des données au lieu de se concentrer sur la planification et le travail stratégique. Certaines entreprises utilisent des outils de gestion de données pour nettoyer, dédupliquer, consolider et purger les données sans plan. Malheureusement, les outils et les talents ne peuvent résoudre les problèmes de manière isolée. Les stratégies qui répondent aux dimensions de la qualité des données constituent la solution fondamentale au problème.
La stratégie doit résoudre les problèmes de collecte, d'étiquetage, de traitement et de mise en correspondance des données avec les projets AI/ML. Par exemple, si un programme de recrutement d’IA sélectionne uniquement des candidats masculins pour des postes techniques, alors les données de formation du programme sont clairement biaisées, incomplètes (pas suffisamment de données sur les candidates féminines ne sont collectées) et inexactes. Par conséquent, ces données ne servent pas le véritable objectif du projet d’IA.
Les exigences en matière de qualité des données vont au-delà des tâches quotidiennes de nettoyage et de réparation des données. Ainsi, des normes d’intégrité des données et de gouvernance doivent être définies avant de démarrer un projet. Cela évite aux projets de tomber dans l’échec !
Posez les bonnes questions et définissez les responsabilités
Il n'existe pas de norme universelle concernant « des données ou un niveau de qualité des données suffisamment bons ». Au lieu de cela, tout dépend des systèmes de gestion de l’information de l’entreprise, des directives de gouvernance des données, de la connaissance des objectifs de l’équipe et de l’entreprise, ainsi que de nombreux autres facteurs.
Mais avant de démarrer le projet, il y a quelques questions à poser à l'équipe :
- Quelle est la source de nos informations et quelle est la méthode de collecte des données ?
- Quels problèmes peuvent avoir un impact sur le processus de collecte de données et menacer les résultats positifs ?
- Quelles informations les données véhiculent-elles ? Répond-elle aux normes de qualité des données (c'est-à-dire que les informations sont exactes, totalement fiables et constantes) ?
- La personne désignée est-elle consciente de l'importance de la qualité et de la faible qualité des données ?
- Les rôles et responsabilités sont-ils définis ? Par exemple, qui doit maintenir un programme régulier de nettoyage des données ? Qui est responsable de la création des enregistrements maîtres ?
- Les données sont-elles adaptées à leur objectif ?
Posez les bonnes questions, attribuez les bons rôles, mettez en œuvre des normes de qualité des données et aidez votre équipe à relever les défis avant qu'ils ne surviennent !
Résumé
La qualité des données ne se résume pas à la simple correction de fautes de frappe ou d'erreurs. Il garantit que les systèmes d’IA ne sont pas discriminatoires, trompeurs ou inexacts. Avant de lancer un projet d’IA, il est nécessaire de relever les défis de qualité des données en corrigeant les failles des données. De plus, lancez un programme de maîtrise des données à l’échelle de l’organisation pour connecter chaque équipe à l’objectif global.
Introduction du traducteur
Cui Hao, rédacteur de la communauté 51CTO, architecte senior, a 18 ans d'expérience en développement de logiciels et en architecture, et 10 ans d'expérience en architecture distribuée.
Titre original :Vos données sont-elles suffisamment bonnes pour vos projets d'apprentissage automatique/IA ?, auteur : Farah Kim
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)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
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
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
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.
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
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.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
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
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
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
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
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.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
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
Les startups d'IA ont collectivement transféré leurs emplois vers OpenAI, et l'équipe de sécurité s'est regroupée après le départ d'Ilya !
Jun 08, 2024 pm 01:00 PM
" sept péchés capitaux" » Dissiper les rumeurs : selon des informations divulguées et des documents obtenus par Vox, la haute direction d'OpenAI, y compris Altman, était bien au courant de ces dispositions de récupération de capitaux propres et les a approuvées. De plus, OpenAI est confronté à un problème grave et urgent : la sécurité de l’IA. Les récents départs de cinq employés liés à la sécurité, dont deux de ses employés les plus en vue, et la dissolution de l'équipe « Super Alignment » ont une nouvelle fois mis les enjeux de sécurité d'OpenAI sur le devant de la scène. Le magazine Fortune a rapporté qu'OpenA
