请选择 进入手机版 | 继续访问电脑版

人工智能不能忘了人员和流程的初衷

[复制链接]
耒咕余 发表于 2018-3-13 21:07 | 显示全部楼层 |阅读模式
从你的角度来看,人工智能(AI)世界受到财富尴尬的祝福或诅咒。与AI不同,我们不仅拥有算法,还有数据和基础设施,可以让AI和ML发生。我们降低了进入壁垒。借助云计算,您不再需要为能够承担自己的高性能计算(HPC)群集的组织工作,并且由于开源,您不再需要在研究算法时重新发明轮子。并且,由于策划云服务的出现,整合机器学习可以像在Visual Studio中构建应用一样简单。
ai-image.png
那么,会出现什么问题呢?从醒酒到崇高,不乏警示。
就像任何技术一样,你总能幸运一次。您可以运行临时项目并获得一些突破性洞察。这种新的次最佳报价算法将转化次数提高了10%。重复那个壮举意味着要关注它的人和过程方面。
它始于建立团队。这显然会说起来容易做起来难。普华永道预测,美国人才库中有300万从业人员具备分析技能,但这是一个扩展到数据工程和可视化的广泛超集。是的,那里有数百万的分析专家。但是,无论大学和大学数据科学毕业的速度有多快,需求将在很长一段时间内超过供应。
有趣的是普华永道如何描述技能组合; 它假定数据科学家必须是从领域知识到可视化,数据治理,工程,数据采集,分析和机器学习等各方面具备先进技能的全能超级明星。让我们现实一些吧 - 在大多数情况下,你需要一支具有相互补充的技能的团队,因为你不可能发现他们体现在一个人身上。
如果您的组织已经设法组装正确的人员组合,那就是流程的出现。很可能,大多数希望从AI和ML中受益的组织都具有分析工作经验; 希望有一些过程来识别分析问题并在那里实现答案,但在大多数组织中,如果有任何事情存在,它可能是非正式的,
但AI和ML为必须从数据科学开始的过程添加新变量。科学是第一位的,在目标是识别模式的场景中,例如识别案例和效果,人工智能可能不一定是必需的。
数据科学的成功实现与AI的实现之间有着共同的线索。两人都是团队运动。
但对于AI来说,风险(和风险)可能会更高。通过数据科学,决策依赖于人。AI增加了另一组移动部件:系统。通过模型和算法,该系统可以扩展人们在数据中发现信号的能力,这些数据可用于获取洞察力并做出应该带来商业利益的决策。随着人工智能,更多的学习,并在许多情况下,决策负荷落在机器上。无论机器学习还是深度学习方法受到监督或无人监督,人类都必须成为方程的一部分。
选择方法时有很多变数。它首先是开放源代码机器学习和深度 学习框架的丰富尴尬可供选择,这使得为工作挑选合适的工具具有挑战性,至少可以说。通常情况下,这种选择可能取决于贵组织所拥有的技能类型; 例如,如果R是通用语言,那么可能会对CRAN库产生偏见; 如果你的团队喜欢使用Python,那么Scikit-Learn很可能是你的选择。如果您的分析使用Spark,那么将MLlib折叠到数据处理管道的趋势中。
然后是模型的逻辑方面和目的(或意图)。我们是否知道我们正在寻找什么问题,或者我们是否需要机器来帮助我们发现问题?我们用什么标准来分配模型的特征和参数,并且我们是否在无意中建立了一些错误的偏见或偏见?我们是否创建了更多少数族裔报告?记录机器学习和深度学习模型的基本原理和假设仍然是新的领域。
那么如何训练模型就有了决定点。是否应该监督(人类提供假设的地方)还是无人监督的地方(机器应该在哪里排序并弄清楚要学什么),或者介于两者之间?确定模型何时受到充分培训的标准是什么?
敏捷性是关键。团队必须准备好快速失败; 数据科学和人工智能都是关于不断验证假设的。由于机器学习的迭代性质,模型必须不断进行评分和比较。中断或异常事件可能会证明或推翻模型。还必须注意选择数据集。即使确定了最佳算法和数据集,也存在漂移现象:来自多种来源的数据集并不总是可预测的。数据的特征(如日志文件)可能很容易发生变化。数据中的扰动可以轻松地将机器学习和深度学习模型设置为偏离过程。团队应该有一种编码方式来检测和响应数据和模型漂移。
对从模型开发过渡到部署的过程给予了很多关注; 有许多工具可以帮助指导过程的技术方面。但是如何将模型融入业务?当我们谈到记录意图之前回想一下?这是橡胶符合道路的地方。机器可能有助于做出假设,现场模式,甚至做出决定。不可思议的是,将来会有一些新的监管要求来记录模型背后的假设或意图,以及模型演变的方式和原因。
在这一点上,AI及其在机器学习和深度学习中的表现是新奇的; 他们是技术的闪亮新的对象。挑战的第一部分是实施AI; 如果人工智能要深入企业,拥有合适的人员并建立流程至关重要。重复性是一个很大的障碍。但下一步是避免成为你自己成功的受害者,这就是问责制的问题。这就是人工智能成为一个人与过程的挑战,自然智能最终要对来自人造方面的结果负责。

回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

联系我们
400-123-45678

工作日:周一至周五9:00-17:00

重庆渝中区大坪英利国际5栋6-1
社会化关注

微信公众号

微信号:IDC家

扫一扫关注我们

QQ交流群

群号:200940660

欢迎加入IDC大家庭

Powered by A5idc数据中心X3.4© 2001-2013 idcjia Inc.( 渝ICP备17007481号-4 )