Mensaje de Bijié.com, el ingeniero senior de IA de Tesla, Cai Yunda, señaló que el público suele pensar que el 99% del trabajo en proyectos de aprendizaje automático se dedica a entrenar, pero en realidad, solo el 2% del tiempo se usa para entrenar los parámetros del modelo. En comparación, el 50% del esfuerzo se invierte en evaluar las pruebas, el 40% en limpiar los datos y el otro 8% en integración de sistemas. Cai Yunda enfatizó que la limpieza de datos y la evaluación determinan el límite de lo que la IA puede aprender. Si los datos originales tienen definiciones vagas o etiquetas contradictorias, se introduce ruido desde la fuente. Ningún truco mágico de algoritmos o ajuste de parámetros puede eliminar el ruido de fondo, ya que el modelo no puede corregir errores en los libros de texto por sí mismo; el límite final de precisión depende completamente de la cantidad de información útil en los datos. Para garantizar la uniformidad de los estándares de datos desde la fuente, Cai Yunda afirmó que revisa diariamente las definiciones de conceptos y los sistemas de clasificación de los datos, e incluso revisa repetidamente las etiquetas históricas. Muchos profesionales están de acuerdo y señalan que, ya sea en la configuración de reglas de aprendizaje reforzado o en la anotación precisa para el ajuste fino del modelo, la calidad de los datos y el nivel de evaluación siempre determinan el rendimiento de la IA, no la arquitectura del modelo en sí.

Ver original

Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.

2 me gusta

Recompensa
2
5
1
Compartir

Comentar

Añadir un comentario

GateUser-e4351615

· hace5h

El 50% de la evaluación indica que el sistema de validación es más importante que la alquimia

Ver originalResponder0

MemeFisher

· hace5h

Así que no solo alaben la cantidad de parámetros, primero unifiquen las normas de etiquetado.

Ver originalResponder0

GateUser-470bc925

· hace5h

La calidad de los datos realmente es el techo.

Ver originalResponder0

Lemon-FlavoredLiquidation

· hace5h

8% integración de sistemas... Parece que la implementación es la gran trampa oculta

Ver originalResponder0

EchoesOfMistValley

· hace5h

La definición de datos originales difusa es realmente un problema común en la industria, si el diseño de alto nivel no se hace bien, todo lo demás será una deuda.

Ver originalResponder0

Temas de actualidad
Ver más
#
MyGateTradeStory
1,05M Popularidad
#
USIranTalksPostponed
20,38M Popularidad
#
IsraelStrikesIranBTCPlunges
60,71K Popularidad
#
PredictWorldCup🇺🇸vs🇵🇾
922,88K Popularidad
#
TradFiCFDGoldMaster
2,07M Popularidad

Fijado

Ingeniero de IA de Tesla: La optimización de algoritmos no es una panacea, la calidad de los datos determina el límite de la IA

Temas de actualidad

MyGateTradeStory

USIranTalksPostponed

IsraelStrikesIranBTCPlunges

PredictWorldCup🇺🇸vs🇵🇾

TradFiCFDGoldMaster

Fijado