1. 主页 > 人工智能 >

人工智能协作的10条规则

    尽管分析师和AI专家分配给它的确切数字可能有所不同,但“经验法则”统计数据是每10个AI计划中只有1个使它投入生产。在这一领域工作了多年,与无数试图使人工智能成为现实的客户一样,这不是一个难以接受的统计数据。
人工智能
 
    造成这种困难的具体原因是巨大而细微的,但在我看来,可以归纳为三大类:将数据科学的学术性质转化为业务,拥有正确的数据以及在构建上进行协作(或缺乏协作)提供价值的解决方案。
 
    以上所有方面的扩展都是另外一个方面。相反,我想分享一些可能性的见解,特别是与上面的第三个桶相关的内容:将协作式AI作为协作框架,确实是减轻AI部署中的偏见,不信任和概念漂移风险的关键。。问题在于,协作式AI常常被误解或应用不当,导致组织无法充分利用AI的全部潜能。
 
    因此,考虑到这一点,这是我选择,设计和构建协作AI解决方案的10条规则。
 
    规则1:做–了解为什么协作至关重要
 
    在许多用例中,人类和AI具有互补的优势和劣势。建立协作式AI就像使您的投资组合多样化。每个资产都有它自己的位置,但是太多的好事可能是坏的。因此,建立平衡很重要。最好的解决方案利用互补的组件来创建比任何单个部分都更好的整体,有时甚至比各个部分的总和更好。
 
    规则2:执行–选择正确的用例
 
    要构建协作式AI,选择正确的用例至关重要。考虑可用的数据以及可以从中获得哪些见解。考虑管理层/组织的支持,并提出问题,例如谁需要签署此类项目?另外,选择一个部分解决方案有价值的问题;这将使团队的买入变得更加容易。如果可能,请选择一个可行的/有价值的离线审查方法,以证明ROI收益。
 
    规则3:做–设定切合实际的期望
 
    当涉及到AI时,人们会在不同的方面做出回应:有时会出现炒作或恐惧,避免两者都很重要。虽然AI具有令人难以置信的功能,但它并不是完美的,所以不要指望完美。另外,也不要指望完全自动化。即使是最好的模型,通常也会出现一些需要人工监督的极端情况。
 
    规则4:要做–仔细定义您的成功标准
 
    在开始项目之前,请仔细考虑如何衡量成功。不要默认使用技术性能指标,例如精度,召回率,F1得分等。相反,设置可衡量的成功里程碑,以对业务最重要的方式清楚地显示模型的有效性或无效性。通常,这可以转化为效率或成本节省指标。
 
    规则5:请勿–等到模型“完美”后再发布。提早发货。船经常。
 
    不要等到您认为模型已完成所有工作。如果您已经定义了成功的增量成功,那么请在第一个成功的里程碑发布。这可以更早地获得价值,建立信任并获得有关性能的重要反馈!这是宝贵的反馈,可帮助模型在未来的迭代中学习并提高性能。
 
    规则6:执行–为您的用例定义成本和时间因素
 
    在构建AI模型时会发生错误,如果您为它们计划,那没关系。定义错误的代价和成功预测的价值。这样,当遇到挫折时,团队就不会感到惊讶。此外,您的团队需要使模型运行,因此定义人工审核的成本并考虑其扩展规模。
 
    规则7:不要-真空设计AI模型
 
    对于企业而言,最成功的AI模型不能完全依靠自己来运作。因此,在设计模型时要牢记E2E系统,这意味着这是解决方案的一部分。设计模型以补充人类主题专家的优势/劣势。最佳模型通常会偏向于较高的查全率和较低的精度。
 
    规则8:执行–使用人工审核来确定推理时间表现的基准
 
    不要期望推理时间性能能够与测试相匹配,尤其是随着时间的推移。计划使用人工审查来验证和基准化模型性能。
 
    规则9:执行–使用人工反馈来改善模型性能
 
    每次人工审核都是提高未来绩效的另一个数据点。所有数据都是如此,但尤其是在主题和AI意见不一致的情况下。建立反馈循环,并使反馈和再培训过程尽可能自动化,以便您的模型可以快速合并新数据点并改善未来的预测。
 
    规则10:执行-针对模型性能中的已知问题优化人工审核
 
    使用人员来分析可能造成混乱的模型的有效性。最好的协作系统可以在棘手的情况下优化主题专家的时间。例如,如果光线不足或在夜间拍摄照片。创建规则,或者更好的方法是,使用自动执行此操作的工具。这是我们建立的称为Vinsa的专有模型的主要驱动力,该模型使用多个数据输入和人为循环的方法来确定活动的后续步骤和AI模型的持续优化的优先级。

本文由网上采集发布,不代表我们立场,转载联系作者并注明出处:http://www.34iot.com//a/peixun/275.html

联系我们

在线咨询:点击这里给我发消息

微信号:weixin888

工作日:9:30-18:30,节假日休息