首页 / 资讯中心 / 交通百科/当准备运行人工智能时如何优化您的算法?

当准备运行人工智能时如何优化您的算法?

发布时间:2018-10-24 分类:交通百科

亚马逊最近推出的SageMaker人工智能服务,这是一个令人兴奋的新的进步,但该计划却并不完美。AI人工智能的创新技术与解决方案之间存在明显差距,这些解决方案只有在特定的情况下,才有助于推动业务增长。使用像SageMaker这样的产品就像拥有一辆全新的特斯拉型号S:这是一辆很棒的车,但如果你不会开车的话,它就是一个巨大的电动镇纸。

人工智能

我们使用一种名为“精益人工智能”的方法与客户合作,我们的方法受到了许多其他流行过程的启发,包括IDEO以人为中心的设计、敏捷软件开发、精益启动方法和CRICP-DM。精益人工智能有六个步骤:理解、设计、建模、获取反馈、部署和验证。在这里,我将集中在三个关键的部分,任何企业家将需要遵循优化人工智能。

1、工程师:注重实践

因为AI工程是软件工程,所以您需要有着良好的实践,例如源代码控制、代码评审和干净的接口等等。许多数据科学家犯了“在沙箱里玩游戏”的错误,但你应该总是像生产一样去构建。我们实现的最重要的步骤之一就是使用Docker来利用容器化的数据科学。由此产生的开发人员流程更干净,更具有协作性,而且最终的生产力也要高得多。

人们开发软件的时间比设计人工智能解决方案的时间要长得多,将现有的开发和操作的实践结果应用于人工智能系统将使您的过程尽可能高效。

2、模式:从小规模开始,然后扩大规模

当把人工智能融入到你的业务中时,可能性似乎是无穷无尽的。不要让你的想象力发挥到极致,即使你有很大的计划,你也要从简单地开始并扩大规模。采纳Insight Data Science的人工智能负责人艾曼纽尔阿梅森(Emmanuel Amemen)的建议,Insight Data Science是一个博士后研究项目,与脸谱(Facebook)和zillow等硅谷大公司有联系:最直接、最基本的层面上就能有效解决问题,基线模型将始终如一地提供更好的最终产品,特别是对用户而言。

我们在过程中使用明确的规则,以保持简单性,特别是当应用于有监督的学习问题时,我们认为应该先确定几个特性,以后可以添加更多的特性。我们总是先从分类开始,然后再回归-处理一组值,所以我们可以从更明显的类错误中学习。

3、获得反馈:了解(许多)人类的想法

在一天结束的时候,人类必需要和你的人工智能进行互动,并理解它的意义,并且要知道什么时候人工智能是推荐合理的东西或搜索结果是相关的,要让你的人工智能更快的出现在用户面前。在我们的研究中,我们发现了两种主要的模式:对人工智能的怀疑和对原始预测后处理的需要。

人工智能模型很少能立即获得肯定,特别是在那些以前没有使用过机器学习的人当中。可解释的人工智能仍然是一个刚刚起步的领域,但是已经有一些很棒的软件包,比如TreeShap,可以解释人工智能预测的“为什么”,这样用户就会感觉更舒服了。

我们还发现,人工智能的原始预测往往是不够的,有必要构建一个允许后期处理的用户界面,以便用户可以进一步解决业务问题。我们的客户之一,一家领先的油田服务公司,有许多压缩机机组在“压力”的情况下运行。虽然原始的人工智能预测正确地预测了这些设备很快就会失败,但这对维护技术人员来说并不是什么有用的信息。相反,他们希望找到过可能失败的原因。

为了解决这个问题,我们对原始预测的时间序列进行了后处理,并构建了一个用户界面,只有一个单元的失败概率发生重大变化时才向技术人员发出警报,这会减少误报警,让人工智能的效率提高。对我们来说,用户界面(UI)和人工智能一样重要。

人工智能可以帮助企业将业务再提升一个层次,但现在的人工智能和机器学习仍处于相对初级阶段,现在利用人工智能开发出来的技术,可能得不到企业家的信任或者是会被过度高估而导致不好的结果,所以,遵循一种有目的、简单的、经过测试的工程实现方法,比如精益人工智能,来释放人工智能的真正潜力,这才是最好的选择。