AI如何学习协作
- 原创经验
- |
- 更新：
- |
人工智能使用户能够简化或加快一个或多个操作机器学习ML生命周期的各个阶段，通过卸载、重用预构建项，或者通过特定阶段的自动化。考虑到迭代机器学习ML流程是如何实现的(例如，训练通常包括数十到数百个实验)，自动化这些流程可以产生更可跟踪、可重现和可管理的工作流。外包这些任务甚至更容易，尤其是在在您的环境中使用这些服务之前，有几个因素需要考虑：
具体如下
-
考虑适用性 并不是所有的趋势都适用于所有的用例。最普遍适用的趋势是AutoML，它的应用范围很广。类似地，模型市场有非常广泛的模型和算法可用。数据集市和合成数据集趋向于特定于用例的类，而预构建的容器可以特定于不同的硬件配置(如GPUs)，而这些硬件配置又适用于特定的用途。许多数据标签服务也有特定的用途(比如图像分类和表单阅读)，但一些咨询公司确实提供定制的标签服务。最后，端到端人工智能AI服务非常特定于用例。
-
人工智能信任 随着更多的ML被部署，人类普遍对黑箱人工智能系统的恐惧表现为对信任的担忧和对监管力度的加大上。为了从人工智能AI中获益，企业不仅要考虑生产机器学习ML的机制，还要考虑管理任何客户社区的关注点。如果不加以解决，这些担忧可能会在客户流失、企业出糗、品牌价值损失或法律风险中具体化。
-
可诊断性和运营管理 无论机器学习ML生命周期的组件来自何处，您的企业都将负责管理和维护ML服务在其生命周期中的健康状态(除了人工智能趋势7中完全外包的服务之外)。 如果是这样，数据科学家和工程师必须了解正在部署的模型、用于训练模型的数据集以及这些模型的预期安全操作参数。由于许多服务和市场都是新生的，所以目前还没有标准化。用户有责任理解他们所使用的服务，并确保服务能够与生命周期的其余部分一起得到充分的管理。
注意事项
-
由于上面提到的几乎所有趋势都涉及到将机器学习ML生命周期的某些方面卸载或“外包”给第三方或自动化系统，因此需要在每个阶段进行额外的了解，以确保最终的生产生命周期能够交付信任的核心原则。这包括了解所部署的算法，用于训练它们的数据集是否没有偏见，等等。这些需求不会改变生命周期本身，但是需要付出额外的努力来确保正确的沿袭跟踪、配置跟踪和诊断报告。综上所述，就是小编今天给大家分享的AI如何与操作机器学习协作的相关内容，希望可以帮助到大家。
