侵权投诉
技术:
GPU/CPU 传感器 基础元器件 网络通信 显示 交互技术 电源管理 材料 操作系统 APP 云技术 大数据 人工智能 制造 其它
应用:
可穿戴设备 智能家居 VR/AR 机器人 无人机 手机数码 汽车 平衡车/自行车 医疗健康 运动设备 美颜塑身 早教/玩具 安防监控 智能照明 其它
当前位置:

OFweek智能硬件网

人工智能

正文

如何跨越人工智能技术与产品的鸿沟?

导读: 关于人工智能如何改善我们的生活以及如何让企业进步的那些故事,每天都会给我们带来惊喜。人工智能已经分析了X射线,为物联网供电,并为销售和营销团队推荐下一步最佳行动计划。它似乎还有无限的可能性。

关于人工智能如何改善我们的生活以及如何让企业进步的那些故事,每天都会给我们带来惊喜。人工智能已经分析了X射线,为物联网供电,并为销售和营销团队推荐下一步最佳行动计划。它似乎还有无限的可能性。

但是在每个人工智能成功的故事背后,都有无数个项目死在实验室里。这是因为将机器学习研究投入生产并且用它为客户提供真正的价值通常比开发一个科学合理的算法更困难。在过去几年里,我遇到的许多公司都面临着这个挑战,我称之为“跨越人工智能鸿沟”。

在本文中,我将站在你的角度分享我在克服技术和产品困难时的四大教训,我最近在 ApacheCon 上提出了这些知识点。

  

如何跨越人工智能技术与产品的鸿沟?

人工智能技术鸿沟

新数据。 数据是人工智能的关键。例如,如果你想让聊天机器人学习,你必须向其算法模型提供客户请求和相应的正确响应的样本数据。样本通常是静态化、结构化的数据,如 CSV 的数据格式。

虽然你可以使用静态数据集构建很酷的人工智能演示,但真实世界中的人工智能算法模型需要新的数据进行增量式的训练,使其随着时间的变化而变得更聪明。这就是为什么公司应该及早投资机器学习架构,不断收集新的数据,并使用它定期更新其人工智能模型。

实时数据的使用面临着许多工程性挑战,包括调度,不停机模型迭代,稳定性和性能监控。此外,如果新数据出现问题,您需要一种机制来回溯到先前的状态,使我们到下一个点。

保证收集训练数据的质量。公司应该从一开始就考虑数据的质量 - 特别是由用户生成的数据。机器学习自动化是一件令人兴奋的事,但它也可能适得其反。最近推特(Twitter)上有些聊天机器人变得很无赖,这是一个典型的自动化变差的例子。

在聊天机器人开始自由交谈之前,它是利用公开的经过模型化、清洗和过滤的数据进行训练的。但是在机器人开始从与真实的人的不适当的交流中进行学习之后,它的推文的语气迅速地变得更差。GIGO(garbage in, garbage out)是机器学习的基本规则,所以一个良好的人工智能系统能够检测出潜在的问题,并在需要人工干预的时候向管理员发出警报。

1  2  下一页>  
声明: 本文由入驻OFweek公众平台的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

我来说两句

(共0条评论,0人参与)

请输入评论

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

X
文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码: