Notícias do site Coinjie, o engenheiro sênior de IA da Tesla, Cai Yunda, apontou que o público muitas vezes pensa que 99% do trabalho em projetos de aprendizagem de máquina é dedicado ao treinamento, mas na realidade, o tempo realmente usado para treinar os parâmetros do modelo representa apenas 2%. Em comparação, 50% do esforço é gasto na avaliação e testes, 40% na limpeza de dados, e outros 8% na integração do sistema. Cai Yunda enfatizou que a limpeza de dados e a avaliação determinam o limite do que a IA pode aprender. Se os dados brutos forem vagos na definição ou contraditórios na rotulagem, isso introduz ruído na origem. Qualquer magia algorítmica ou técnica de ajuste de parâmetros não consegue eliminar o ruído de fundo, pois o modelo não consegue corrigir erros no próprio livro-texto, e o limite final de precisão depende inteiramente da quantidade de informação útil presente nos dados. Para garantir a padronização dos dados desde a origem, Cai Yunda afirmou que revisa diariamente a definição de conceitos de dados e o sistema de classificação, chegando a revisar repetidamente as etiquetas históricas. Muitos profissionais concordam e apontam que, seja na definição de regras de aprendizagem por reforço ou na rotulagem precisa para ajuste fino do modelo, o que realmente determina o desempenho da IA é a qualidade dos dados e o nível de avaliação, e não a arquitetura do modelo em si.

Ver original

Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.

2 gostos

Recompensa
2
5
1
Partilhar

Comentar

Adicionar um comentário

GateUser-e4351615

· 5h atrás

A proporção de avaliação de 50% demonstra que o sistema de validação é mais importante do que a alquimia

Ver originalResponder0

MemeFisher

· 5h atrás

Por isso, não apenas elogie a quantidade de parâmetros, primeiro padronize as normas de anotação.

Ver originalResponder0

GateUser-470bc925

· 5h atrás

A qualidade dos dados é realmente o teto

Ver originalResponder0

Lemon-FlavoredLiquidation

· 5h atrás

8% integração de sistemas... Parece que a implantação é o grande obstáculo escondido

Ver originalResponder0

EchoesOfMistValley

· 5h atrás

A definição de dados brutos ambígua é realmente um problema comum na indústria, se o design de alto nível não for bem feito, tudo o resto será uma dívida a pagar posteriormente.

Ver originalResponder0

Tópicos em destaque
Ver mais
#
MyGateTradeStory
1,05M Popularidade
#
USIranTalksPostponed
20,38M Popularidade
#
IsraelStrikesIranBTCPlunges
60,71K Popularidade
#
PredictWorldCup🇺🇸vs🇵🇾
922,88K Popularidade
#
TradFiCFDGoldMaster
2,07M Popularidade

Fixado

Engenheiro de IA da Tesla: Ajuste de algoritmos não é a cura para tudo, a qualidade dos dados determina o limite da IA

Tópicos em destaque

MyGateTradeStory

USIranTalksPostponed

IsraelStrikesIranBTCPlunges

PredictWorldCup🇺🇸vs🇵🇾

TradFiCFDGoldMaster

Fixado