У каждого проекта есть своя история. Большинство инженерных проектов не просто сдаются и забываются. Проект необходимо контролировать и поддерживать с каждым аспектом. Подобно симфонии, проект нуждается в оркестровке. Но когда дело доходит до ИИ. . .История становится сказкой. 📖
У тебя проблемы?
Прежде всего, нам нужна проблема, но эта проблема должна быть многообещающей и точной для решения. В промышленности это называется бизнес-кейсом или бизнес-проблемой. В большинстве случаев проекты начинаются с данных для устранения ошибок. Это означает, что менеджеры проектов или заинтересованные стороны обращаются к своим ресурсам, чтобы генерировать данные о проблемах, которые соответствуют данным. Большинство совещаний начинаются со слов: «Итак, у нас есть данные, что нам с ними делать?» ‘. . . При правильном подходе проблемы необходимо определять на этапе большого взрыва проекта. У каждого взрыва должна быть причина. Кроме того, эта причина должна быть, как мы упоминали выше, драгоценной. Каковы показатели ценности? Этот вопрос — тема другого рассказа. Таким образом, нам нужна причина, проблема для решения с данными.
Данные - это все, что вам нужно!
Да, мы на уровне Данных. Кстати, шапка является ссылкой на статью под названием Внимание, все, что вам нужно. Продолжим с данными. Данные — это вторая часть разработки проекта на основе ИИ. Важно отметить, что не каждая проблема требует решения на основе данных (обучения). Но мы говорим об ИИ-проектах, включающих машинное обучение и глубокое обучение.
В фазе данных есть важные моменты, которые должны стоять на ней. Во-первых, доступность данных. Данные должны быть доступны или легко и дешево становятся доступными. Например, у вас есть тонны данных, которые можно хранить географически и технологически разделенными, и дорого получить их и упорядочить в одном месте. В этой ситуации стоимость проекта может выйти за пределы предполагаемой прибыли. Осуществимость упала. Нам нужно напомнить себе, что мы будем исследовать каждый шаг с разными историями. . .🙃
После этого нам нужно разработать и исследовать модель, которая решит нашу проблему и создаст ценность для бизнеса. Этот этап является относительно небольшим и легким шагом. Я могу сказать легко, потому что это зависит от технического качества и знаний команды. Конечно, есть много метрик, таких как настройка гиперпараметров, извлечение и выбор функций и т. Д. На данный момент мы просто сосредоточимся на основных линиях.
Перед последним шагом нам нужно развернуть модель. На этом этапе будут некоторые проблемы и выборы. Например, вам нужно определить, как оценить бизнес-ценность модели. Я не говорю об оценке модели с точностью, полнотой и т. д. Реальное влияние продукта. Еще одной проблемой является управление тестами AB, созданием версий и разработкой программного обеспечения. Для всех этих задач вы можете выбрать различные типы инструментов и решений. Очевидно, что этот этап больше касается разработки программного обеспечения, бизнес-анализа и оценки.
Наконец, «Активное обучение». Мне очень нравится фраза. Потому что кажется, что живые существа случаются. Перед нами живой и активный проект. На этапе активного обучения нам необходимо постоянно развивать нашу модель и систему по отдельности. Модели должны учиться у людей со временем. Большая часть модели машинного обучения нуждается в обновлении в соответствии с изменяющимся пониманием ОС. Особенно в системе, основанной на обработке естественного языка. Потому что человеческий язык и фразы постоянно меняются. Каждая эпоха, каждое время имеет свой собственный язык, поэтому нам также необходимо изменить наши модели НЛП, такие как чат-боты, детекторы злонамеренной речи и т. д. Также необходимо учитывать снижение предвзятости и контроль версий.
Так что у нас мало разговоров об управлении проектами ИИ. Я надеюсь, что это поможет кому-то где-то. Как я уже упоминал выше, я хочу продолжить эту серию историй в деталях. Опять же, я надеюсь, что мы скоро встретимся снова. Спасибо за уделенное время. Продолжай, продолжай. . .🧗
