关于我们

质量为本、客户为根、勇于拼搏、务实创新

< 返回新闻公共列表

想要AI优先?数据优先才行

发布时间:2020-02-12 17:24:14


来源 | forbes


编译 | shawn


责编 | Carol


出品 | CSDN云计算(ID:CSDNcloud) 


                            


开展人工智能和机器学习项目的人很早就知道,机器学习项目不是应用程序开发项目。机器学习项目的大部分价值在于模型、训练数据和配置信息,这些信息指导模型如何应用于特定的机器学习问题。


应用程序代码主要用于在生产环境中实现机器学习算法和“操作化设计”机器学习模型,是一种实现方式。这并不是说应用程序代码是不必要的,毕竟,计算机需要某种方式来操作化设计机器学习模型。


但是,如果把机器学习项目的重点放在应用程序代码上,就舍本逐末了。如果你希望你的项目AI优先,那么你就先需要有一个数据优先的认识。


使用以数据为中心的方法


和以数据为中心的技术


如果遵循数据优先,就需要使用数据优先的方法。作为一种迭代成功的方式,敏捷方法论当然没有什么错,但敏捷方法本身还有很多不足之处,因为它专注于功能和应用程序逻辑的传达。




目前已经有了一些以数据为中心的方法,这些方法已经在许多现实场景中得到了验证。其中最流行的是数据挖掘的跨行业标准过程(Cross Industry Standard Process for Data Mining,CRISP-DM) ,它侧重于研究成功的数据项目所需的步骤。


在当今时代,我们将非敏捷的CRISP-DM与敏捷方法相融合,以获得更好的效果。尽管对于大多数开展人工智能项目的企业来说,这仍然是一个新领域,但我们看到,相比敏捷方法中,将人工智能项目的所有东西硬塞进现有的以应用程序为中心的特点,这种融合的方法论显然更成功。


如果你对AI有以数据为中心的认识,那么你就需要将以数据为中心的方法与以数据为中心的技术结合起来。也就是说,你选择的用于实现所有上文所述的构件的工具首先要以数据为中心。


应该使用数据笔记本时,不要使用以代码为中心的IDE;应该使用专注于模型开发和维护的工具时,不要使用企业集成中间件平台。


不要使用所谓的机器学习平台,这些平台实际上只是一堆基于云的技术或过度发展的大数据管理平台。你使用的工具应该支持你制定的机器学习目标,而这些目标又由你要完成的活动和你需要创建的构件支持。


某个 GPU厂商提供有一组工具,并不意味着用这组工具就是正确的。企业服务供应商或者云供应商提供有一个“堆栈”,并不意味着用这个所有是正确的。你应从可交付成果和机器学习目标开始,向后推进。


另一个重要的考虑因素是机器学习模型将在何处以及如何部署,或用人工智能的术语来说就是“操作化”。人工智能模型应用广泛,从与互联网断开连接的“边缘”设备到移动和桌面应用程序,从企业服务器到基于云计算的实例,以及各种各样的自动车辆和飞行器,处处可见其身影。这些应用都是人工智能模型和实现可以派上用场的地方。


模型操作化的大量异质性更加凸显了单一机器学习平台的荒谬。一个平台如何同时在无人机、移动应用、企业服务实现和云实例中提供人工智能功能。即使从一家供应商那里获得所有这些技术,它也将是一系列不同工具的组合,而不是一个单一的、统一的、可互用且可用的平台。


培养以数据为中心的人才


所有这些方法和技术都不是现成的。如果你想在人工智能项目上取得成功,就需要成功地建立一个人工智能团队。如果以数据为中心的观点在AI领域是正确的,那么你的团队也需要以数据为中心。




开发应用程序或管理企业系统或数据的人才不同于开发人工智能模型、调整算法、处理培训数据集和操作机器学习模型的人才。你的人工智能团队的主要核心成员应该是数据科学家,数据工程师,以及那些负责机器学习模型的人。虽然编码、开发和项目管理的人才是必需的,但发现和培养以数据为中心的人才是人工智能项目能否取得长期成功的关键。


培养数据人才的主要挑战是很难找到这些人才并帮助他们成长。这主要是因为数据不是代码。你需要知道如何处理大量数据源,将它们编译成干净的数据集,然后从海量数据中提取特定信息的人才。


此外,人工智能的语言是数学,而不是编程逻辑。因此,一个强大的数据团队还应该精通特定的数学知识,有了这些数学知识,才能懂得如何选择和实现人工智能算法,正确调整超参数,理解测试和验证结果。


简单地猜测和随机改变训练数据集和超参数并不是创造有价值的人工智能项目的好方法。因此,对机器学习数学和算法有基本理解,懂得如何处理大数据集的理解,这样的以数据为中心的人才才是人工智能项目成功的关键。


准备好继续长期投资


现阶段,人工智能应用很大程度上以数据为中心,活动、组件、工具和团队都需要遵循以数据为中心的理念。最大的挑战在于很多生态系统仍在开发中,大多数企业没办法用上。人工智能专用的方法仍然在大规模的项目中进行测试。人工智能专用的工具和技术仍在开发、改进中,并且正在快速地进行演变。人工智能人才仍然紧缺,我们才刚刚开始看到对特定技能的投资有所增长。


因此,那些打算在人工智能领域取得成功的组织,即使有从以数据为中心的观念,也需要做好长期投资的准备。找到同行的团队,看看哪些方法适合他们,在这些方法的基础上继续迭代,直到找到适合你的方法。找到不断更新团队技能和开发方法的途径。告诫自己,你正处于人工智能技术的前沿,并准备定期对新技术进行再投资,或者在必要时发明自己的技术。




尽管人工智能的历史至少已有70年,但是我们仍然处于人工智能应用于大规模项目的早期阶段。这就像互联网、移动或大数据时代的早期阶段,那些早期的先驱者不得不艰难地学习,在找到“正确”的方法之前犯许多错误。但是一旦这些方法被发现,组织就会获得巨大的回报。


只要你秉持以数据为中心的理念,并准备继续长期投资,你在人工智能,机器学习和认知技术上花费努力终将为你带来成功。

————————————————

版权声明:本文为CSDN博主「CSDN云计算」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。

原文链接:https://blog.csdn.net/FL63Zv9Zou86950w/article/details/104243149



/template/Home/Zkeys/PC/Static