Empat halangan biasa dalam projek AI/ML

​Tetapi realiti yang malang ialah 85% projek AI dan ML tidak dapat dihantar sepenuhnya, dan hanya 53% projek boleh beralih daripada prototaip kepada pengeluaran. Namun, perbelanjaan A.S. untuk kecerdasan buatan akan meningkat kepada $120 bilion menjelang 2025, peningkatan sebanyak 20% atau lebih, menurut panduan perbelanjaan IDC baru-baru ini.

Oleh itu, adalah penting untuk mengelakkan lima kesilapan biasa yang sering menyebabkan projek AI dan ML gagal.

1 Fahami sumber yang diperlukan untuk melatih algoritma ML, terutamanya sumber data

Walaupun kedengaran bagus untuk mengatakan bahawa AI dan ML digunakan untuk merevolusikan proses syarikat, hakikatnya ialah 80% syarikat Mencari item ini lebih sukar daripada yang dijangkakan.

Untuk projek-projek ini berjaya, perlu ada pemahaman yang jelas tentang perkara yang diperlukan dari segi sumber dan orang. Salah satu kesilapan yang paling biasa ialah tidak memahami cara mendapatkan data latihan yang betul - bukan sahaja ini penting untuk kejayaan program sedemikian, tetapi ia juga memerlukan banyak usaha dan kepakaran untuk menyelesaikannya dengan jayanya. Kebanyakan syarikat yang ingin mengguna pakai projek AI/ML tidak mempunyai akses kepada jumlah atau kepelbagaian data yang diperlukan untuk memastikan hasil yang berkualiti tinggi dan tidak berat sebelah.

Walau bagaimanapun, kegagalan untuk melakukan ini sering menimbulkan halangan besar kepada kejayaan, menyebabkan kos projek melambung tinggi dan keyakinan projek merudum.

Tidak ada kekurangan data latihan yang tersedia untuk dibeli oleh syarikat, dan banyak syarikat data pihak ketiga dapat menyediakan perkhidmatan. Masalahnya ialah hanya kerana syarikat boleh membeli sejumlah besar data dengan mudah dengan murah tidak bermakna ia adalah data latihan berkualiti tinggi, yang memerlukan projek AI dan ML yang berjaya. Daripada hanya membeli satu saiz yang sesuai untuk semua data, syarikat memerlukan data yang khusus untuk projek.

Oleh itu, untuk mengurangkan berat sebelah, adalah penting untuk memastikan bahawa data mewakili khalayak yang luas dan pelbagai. Data juga perlu diberi anotasi dengan tepat untuk algoritma anda dan data hendaklah sentiasa disemak untuk memastikan pematuhan dengan piawaian data, undang-undang privasi data dan langkah keselamatan.

2 Jangan mengharapkan perkembangan kecerdasan buatan akan berjalan lancar

Latihan algoritma ML bukanlah proses yang pelik. Sebaik sahaja latihan bermula dan model data lebih difahami, perubahan mesti terus dibuat kepada data yang dikumpul. Bukan mudah untuk mengetahui data yang sebenarnya anda perlukan sebelum proses latihan algoritma bermula. Sebagai contoh, anda mungkin menyedari terdapat masalah dengan set latihan atau cara data dikumpulkan.

Seperti pembangunan perisian tradisional, kecerdasan buatan pada asasnya terdiri daripada perisian dan memerlukan pelaburan yang berterusan dan stabil untuk menjana faedah secara beransur-ansur. Dan dalam proses ini, jangan ambil mudah.

3. Sentiasa integrasikan ujian jaminan kualiti (QA)

Selalunya, ujian QA dilihat sebagai tambahan atau bentuk memastikan produk berfungsi dengan betul, bukannya sebagai mengoptimumkan produk merentas semua alat penting lelaran. Malah, ujian QA adalah bahagian penting dalam pembangunan AI yang berjaya. Pengesahan keputusan harus disepadukan ke dalam setiap peringkat proses pembangunan AI untuk mengurangkan kos, mempercepatkan garis masa pembangunan, dan memastikan peruntukan sumber yang cekap.

4. Jadualkan maklum balas aplikasi yang kerap

Walaupun ia mungkin menakutkan untuk dibayangkan, realitinya projek AI tidak pernah benar-benar selesai. Walaupun projek melebihi jangkaan ketepatan dan prestasi, anda masih mempunyai ruang untuk penambahbaikan dan penambahbaikan. Selain itu, algoritma membuat keputusan berdasarkan perkara yang sentiasa berubah (pendapat, perbualan, imej, dll.). Untuk pengalaman AI berjaya sekarang dan pada masa hadapan, ia mesti dilatih semula secara bergilir-gilir untuk menyesuaikan diri dengan keadaan sosial baharu, perkembangan teknologi dan perubahan lain yang memberi kesan kepada data.

Malah, syarikat yang melihat kesan paling positif daripada penggunaan AI mengikuti teras dan amalan terbaik AI dan melabur dalam AI dengan lebih cekap dan berkesan berbanding rakan sebaya mereka. Ini termasuk menguji prestasi model AI sebelum penggunaan, menjejak prestasi untuk melihat sama ada keputusan bertambah baik dari semasa ke semasa dan membangunkan protokol yang baik untuk memastikan kualiti data.

Dengan membangunkan pendekatan yang mantap untuk membangunkan program AI, syarikat boleh mengelakkan kesilapan biasa ini dan memastikan kejayaan jangka panjang inisiatif AI dan ML mereka.

Atas ialah kandungan terperinci Empat halangan biasa dalam projek AI/ML. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!