首頁熱門文章
當準備運行人工智能時如何優化您的算法?
發布時間：2018-10-24 分類：交通百科
亞馬遜最近推出的SageMaker人工智能服務，這是一個令人興奮的新的進步，但該計劃卻并不完美。AI人工智能的創新技術與解決方案之間存在明顯差距，這些解決方案只有在特定的情況下，才有助于推動業務增長。使用像SageMaker這樣的產品就像擁有一輛全新的特斯拉型號S：這是一輛很棒的車，但如果你不會開車的話，它就是一個巨大的電動鎮紙。
我們使用一種名為“精益人工智能”的方法與客戶合作，我們的方法受到了許多其他流行過程的啟發，包括IDEO以人為中心的設計、敏捷軟件開發、精益啟動方法和CRICP-DM。精益人工智能有六個步驟：理解、設計、建模、獲取反饋、部署和驗證。在這里，我將集中在三個關鍵的部分，任何企業家將需要遵循優化人工智能。
1、工程師：注重實踐
因為AI工程是軟件工程，所以您需要有著良好的實踐，例如源代碼控制、代碼評審和干凈的接口等等。許多數據科學家犯了“在沙箱里玩游戲”的錯誤，但你應該總是像生產一樣去構建。我們實現的最重要的步驟之一就是使用Docker來利用容器化的數據科學。由此產生的開發人員流程更干凈，更具有協作性，而且最終的生產力也要高得多。
人們開發軟件的時間比設計人工智能解決方案的時間要長得多，將現有的開發和操作的實踐結果應用于人工智能系統將使您的過程盡可能高效。
2、模式：從小規模開始，然后擴大規模
當把人工智能融入到你的業務中時，可能性似乎是無窮無盡的。不要讓你的想象力發揮到極致，即使你有很大的計劃，你也要從簡單地開始并擴大規模。采納Insight Data Science的人工智能負責人艾曼紐爾阿梅森(Emmanuel Amemen)的建議，Insight Data Science是一個博士后研究項目，與臉譜(Facebook)和zillow等硅谷大公司有聯系：最直接、最基本的層面上就能有效解決問題，基線模型將始終如一地提供更好的最終產品，特別是對用戶而言。
我們在過程中使用明確的規則，以保持簡單性，特別是當應用于有監督的學習問題時，我們認為應該先確定幾個特性，以后可以添加更多的特性。我們總是先從分類開始，然后再回歸-處理一組值，所以我們可以從更明顯的類錯誤中學習。
3、獲得反饋：了解(許多)人類的想法
在一天結束的時候，人類必需要和你的人工智能進行互動，并理解它的意義，并且要知道什么時候人工智能是推薦合理的東西或搜索結果是相關的，要讓你的人工智能更快的出現在用戶面前。在我們的研究中，我們發現了兩種主要的模式：對人工智能的懷疑和對原始預測后處理的需要。
人工智能模型很少能立即獲得肯定，特別是在那些以前沒有使用過機器學習的人當中。可解釋的人工智能仍然是一個剛剛起步的領域，但是已經有一些很棒的軟件包，比如TreeShap，可以解釋人工智能預測的“為什么”，這樣用戶就會感覺更舒服了。
我們還發現，人工智能的原始預測往往是不夠的，有必要構建一個允許后期處理的用戶界面，以便用戶可以進一步解決業務問題。我們的客戶之一，一家領先的油田服務公司，有許多壓縮機機組在“壓力”的情況下運行。雖然原始的人工智能預測正確地預測了這些設備很快就會失敗，但這對維護技術人員來說并不是什么有用的信息。相反，他們希望找到過可能失敗的原因。
為了解決這個問題，我們對原始預測的時間序列進行了后處理，并構建了一個用戶界面，只有一個單元的失敗概率發生重大變化時才向技術人員發出警報，這會減少誤報警，讓人工智能的效率提高。對我們來說，用戶界面(UI)和人工智能一樣重要。
人工智能可以幫助企業將業務再提升一個層次，但現在的人工智能和機器學習仍處于相對初級階段，現在利用人工智能開發出來的技術，可能得不到企業家的信任或者是會被過度高估而導致不好的結果，所以，遵循一種有目的、簡單的、經過測試的工程實現方法，比如精益人工智能，來釋放人工智能的真正潛力，這才是最好的選擇。
