Avez-vous déjà commis ces erreurs fatales dans des projets d'IA ?

​Traducteur | Bugatti

Reviewer | Sun Shujuan

Étant donné que les données sont au cœur de l'intelligence artificielle (IA), il n'est pas surprenant que les systèmes d'IA et d'apprentissage automatique (ML) aient besoin de suffisamment de données de haute qualité pour apprendre. De grandes quantités de données de haute qualité sont généralement nécessaires, en particulier pour les méthodes d’apprentissage supervisé, pour entraîner correctement un système d’IA ou de ML. La quantité de données requise dépend du modèle d’IA mis en œuvre, des algorithmes utilisés et d’autres facteurs tels que les données internes et les données tierces. Par exemple, les réseaux de neurones nécessitent de grandes quantités de données pour être entraînés, tandis que les arbres de décision ou les classificateurs bayésiens ne nécessitent pas autant de données pour obtenir des résultats de haute qualité.

Alors, vous pourriez penser que plus il y a de données, mieux c'est, n'est-ce pas ? S'il vous plaît, réfléchissez-y à nouveau. Les organisations disposant de grandes quantités de données (même des exaoctets de données) se rendent compte que disposer de plus de données ne résout pas le problème comme espéré. En effet, plus les données sont nombreuses, plus les questions se multiplient. Plus vous disposez de données, plus vous devez nettoyer et préparer de données, plus vous devez étiqueter et gérer de données, plus vous devez sécuriser, protéger, réduire les biais et autres mesures. Lorsque vous commencez à augmenter la quantité de données, les petits projets peuvent rapidement se transformer en grands projets. En fait, de grandes quantités de données tuent souvent les projets.

De toute évidence, l'étape manquante entre l'identification d'un problème commercial et l'organisation des données pour résoudre ce problème consiste à déterminer quelles données sont nécessaires et quelle quantité est réellement nécessaire. Vous avez besoin de suffisamment de données, mais n’en avez pas trop : ni plus, ni moins, juste ce qu’il faut. Malheureusement, les organisations se lancent souvent dans des projets d’IA sans comprendre les données. Les organisations doivent répondre à de nombreuses questions, notamment déterminer où se trouvent les données, quelle quantité de données elles possèdent déjà, dans quel état elles se trouvent, quelles caractéristiques des données sont les plus importantes, les utilisations internes et externes des données, les défis d'accès aux données, les exigences. pour améliorer les données existantes, ainsi que d’autres facteurs et questions clés. Sans répondre à ces questions, les projets d’IA risquent d’échouer, voire de se noyer dans un océan de données.

1. Mieux comprendre les données

Afin de comprendre la quantité de données dont vous avez besoin, vous devez d'abord comprendre où se trouvent les données dans la structure du projet d'IA. Un moyen visuel de nous aider à comprendre la valeur croissante que nous tirons des données est la « Pyramide DIKUW » (parfois appelée « Pyramide DIKW »), qui montre comment la base de données peut être transformée grâce à l'information, à la connaissance, à la compréhension et à la sagesse. une plus grande valeur.

Avec une base de données solide, vous pouvez obtenir des informations plus approfondies sur la couche d'informations suivante, ce qui peut vous aider à répondre à des questions fondamentales sur ces données. Une fois que vous avez établi des liens de base entre les données pour obtenir des informations, vous pouvez trouver des modèles dans ces informations et comprendre comment les éléments d'information se connectent entre eux pour obtenir des informations plus approfondies. Les organisations peuvent gagner plus de valeur en s'appuyant sur la couche de connaissances et en comprenant pourquoi ces modèles se produisent, aidant ainsi à comprendre les modèles sous-jacents. Enfin, vous pouvez tirer le meilleur parti des informations au niveau du renseignement en comprenant profondément la cause et l’effet des décisions en matière d’information.

La récente vague d'IA se concentre principalement sur la couche de connaissances, car l'apprentissage automatique fournit des informations permettant d'identifier des modèles au-dessus de la couche d'informations. Malheureusement, l’apprentissage automatique se heurte à un goulot d’étranglement au niveau de la compréhension, car trouver des modèles ne suffit pas pour faire des inférences. Nous disposons de l’apprentissage automatique, mais nous n’avons pas de raisonnement automatique pour comprendre pourquoi des modèles se produisent. Vous constatez cette limitation à chaque fois que vous interagissez avec un chatbot. Bien que le traitement du langage naturel (NLP) basé sur l'apprentissage automatique soit très efficace pour comprendre la parole humaine et déduire l'intention, il rencontre des limites lorsqu'il s'agit de comprendre et de raisonner. Par exemple, si vous demandez à un assistant vocal si vous souhaitez porter un imperméable demain, il ne comprend pas que vous demandez la météo. C'est aux humains de fournir cette information aux machines, car l'assistant vocal n'a aucune idée de ce qu'est réellement la pluie.

2. Restez conscient des données pour éviter les échecs

Le Big Data nous a appris à gérer de grandes quantités de données. Pas seulement la manière dont les données sont stockées, mais aussi la manière dont toutes ces données sont traitées, manipulées et analysées. Le machine learning ajoute encore plus de valeur en traitant les différents types de données non structurées, semi-structurées ou structurées que les organisations collectent. En effet, cette récente vague d’IA est en réalité une vague d’analyses basées sur le Big Data.

Mais c’est précisément pour cette raison que certaines organisations subissent un coup dur en matière d’IA. Plutôt que de gérer des projets d’IA dans une perspective centrée sur les données, ils se concentrent sur les aspects fonctionnels. Pour naviguer dans les projets d’IA et éviter des erreurs fatales, les organisations doivent mieux comprendre non seulement l’IA et l’apprentissage automatique, mais également les différents « V » du Big Data. Il ne s’agit pas seulement de la quantité de données disponibles, mais aussi de leur nature. Certains des V du Big Data incluent :

• Quantité : la quantité absolue de données volumineuses détenues.
• Vitesse : la vitesse à laquelle le Big Data évolue. Utiliser avec succès l’IA signifie appliquer l’IA aux données à haut débit.
• Variété : les données peuvent se présenter sous de nombreux formats différents, notamment des données structurées telles que des bases de données, des données semi-structurées telles que des factures et des données non structurées telles que des e-mails, des images et des fichiers vidéo. Les systèmes d’IA efficaces peuvent gérer cette diversité.
• Authenticité : cela fait référence à la qualité et à l'exactitude des données et à la confiance que vous accordez à ces données. Les déchets entrent et sortent, en particulier dans les systèmes d'IA basés sur les données. Par conséquent, les systèmes d’IA efficaces doivent être capables de gérer des qualités de données très variables.

Avec des décennies d'expérience dans la gestion de projets Big Data, les organisations qui réussissent dans le domaine de l'IA ont principalement réussi dans le Big Data. Les organisations qui ont vu des projets d’IA échouer abordent souvent les problèmes d’IA avec un état d’esprit de développement d’applications.

3. Des données erronées excessives et des données correctes insuffisantes tuent les projets d'IA

Bien que les projets d'IA soient démarrés correctement, le manque de données nécessaires, le manque de compréhension et les problèmes pratiques non résolus tuent les projets d'IA. Les organisations continuent d’avancer sans une véritable compréhension des données et de la qualité des données requises, ce qui crée de réels défis.

L'une des raisons pour lesquelles les organisations commettent cette erreur de données est qu'elles ne disposent d'aucune véritable méthodologie lorsqu'il s'agit de travailler sur des projets d'IA autre que l'utilisation de méthodologies agiles ou de développement d'applications. Pourtant, les organisations qui réussissent ont réalisé que l’utilisation d’une approche centrée sur les données implique la compréhension des données comme première étape d’une approche projet. L'approche CRISP-DM, qui existe depuis plus de 20 ans, considère la compréhension des données comme la prochaine étape après l'identification des besoins de l'entreprise. Basée sur CRISP-DM et combinée à des méthodes agiles, l’approche Cognitive Project Management with AI (CPMAI) nécessite une compréhension des données dans une deuxième phase. D’autres approches efficaces nécessitent également de comprendre les données dès le début du projet, car les projets d’IA sont, après tout, des projets de données. Comment construire un programme réussi sur les données si vous l’abordez sans comprendre les données ? C’est définitivement une erreur fatale que vous voulez éviter.

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

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!