machinelearningmastery.ru

Машинное обучение, нейронные сети, искусственный интеллект
Header decor

Home

Практическое руководство по разработке проектов AI

Дата публикации Oct 3, 2019

Если вы заинтересованы в использовании машинного обучения (ML) для улучшения существующего продукта в реальном мире, важно понять, как разработка ИИ функционирует в течение жизненного цикла и в контексте проекта разработки программного обеспечения. Согласно снедавний опрос Gartnerведущие отраслевые организации в среднемчетыреAI проектирует в своих конвейерах разработки, и, по прогнозам, это число удвоится в течение следующего года. Искусственный интеллект, пожалуй, самая преобразующая технология, доступная сегодня.

На высоком уровне каждый проект разработки ИИ состоит из следующих шести этапов:

1)Определение проблемы

2)Сбор данных

3)Определение функции

4)Построение модели AI

5)Оценка и уточнения

6)развертывание

В этой статье я поделюсь лучшими практиками для первого шага:определение проблемы,

Правильное определение и характеристика проблемы, адресованной ИИ, часто важнее, чем выбор самого алгоритма. Это может сэкономить вам массу работы в дальнейшем, не позволяя вам решитьнеправильнопроблема.

ИИ не обязательно сразу воспринимает модель в данных, чтобы ИИ мог делать предсказания, но такая модель должна быть.

ИИ или нет ИИ?

Начните формулировать свою проблему, задав себе простой, но критически важный начальный вопрос:есть ли образец? Предпосылка, которая лежит в основе всех дисциплин машинного обучения, состоит в том, что должен быть образец. Если паттерна нет, проблема не может быть решена с помощью технологии искусственного интеллекта. Очень важно, чтобы этот вопрос был задан до того, как вы решите отправиться в путь разработки ИИ.

Внешне ML функционирует во многом как человеческий мозг. Решения, которые мы принимаем каждую минуту каждого дня, основаны на распознавании образов на протяжении всей жизни. Когда мы сталкиваемся со сценарием, который не идентичен сценарию, который мы испытывали ранее - скажем, с уникальной конфигурацией дороги на перекрестке во время движения - мы можем без усилий определить, какой должна быть идеальная реакция. Это связано с психическиммодельчто мозг развился - и продолжает развиваться - учитывая сто тысяч точек данных, и обрабатывается через нашу врожденную способность распознавать закономерности на подсознательном уровне.

ML является математическим приближением этой стратегии, применяемой к цифровому миру.

Необязательно, чтобы паттерн в данных был немедленно воспринят человеком для ИИ, чтобы делать прогнозы - но естьделаетдолжен быть шаблон.

Если считается, что в данных есть закономерности, то могут быть использованы методы разработки ИИ.

Что это за проблема ИИ?

Если считается, что в данных есть закономерности, то могут быть использованы методы разработки ИИ.

Прикладное использование этих методов обычно ориентировано на ответы на пять типов вопросов, каждый из которых может быть отнесен к категории зонтичного анализа:

1)Какой категории?(Классификация)

2)Сколько или сколько?(Регрессия)

3)Какая группа?(Кластеризация)

4)Это необычно?(Обнаружение аномалий)

5)Какой вариант следует выбрать?(Рекомендация)

Важно определитькоторыйиз этих вопросов, которые вы задаете, и то, как ответы на них достигают ваших деловых целей.

Упростите вашу проблему

Иногда целевая метрика, которую вы хотели бы предсказать, может быть не поддающейся количественной оценке. Например, скажем, вы хотите предсказать уровень удовольствия клиента во время его взаимодействия с вашим сайтом.наслаждениеТрудно определить и смоделировать, поэтому нам нужно изучить данные, чтобы определить, есть ли более простые задачи, которые могут выступать в качестве хороших прокси. Другими словами: какие задачи связаны с наслаждением? Часто хорошим подходом является поиск промежуточных событий, которыеаффектжелаемый конечный результат - но используйте события, которые более четко определены, и, следовательно, легче моделировать. В примеренаслаждениемы могли бы использовать «общее время, которое клиенты проводят на веб-сайте в неделю» в качестве прокси для удовольствия.

Тщательно продумайте, какова правильная задача машинного обучения для вашего проекта по разработке ИИ. Это может показаться очевидным, но на самом деле это может быть удивительно грязно. Неправильное определение вашей проблемы может стоить вам огромного количества времени и денег.

Ссылка

Полевое руководство по машинному обучению, урок 1: определение проблемы

Полевое руководство Facebook по машинному обучению, урок 1. На этом уроке мы расскажем о лучших методах определения проблемы…

research.fb.com

Наука о данных для начинающих - Студия машинного обучения Azure

Получите краткое введение в науку о данных от Data Science for Beginners в пяти коротких видеороликах из лучших данных…

docs.microsoft.com

Оригинальная статья

Footer decor

© machinelearningmastery.ru | Ссылки на оригиналы и авторов сохранены. | map