Звіт з CoinWorld: старший інженер з штучного інтелекту компанії Tesla Цай Юнда зазначив, що зовнішній світ часто вважає, що 99% роботи у проектах машинного навчання припадає на тренування, але насправді час, витрачений на навчання моделей, становить лише 2%. У порівнянні з цим, 50% зусиль витрачається на оцінювання та тестування, 40% — на очищення даних, а ще 8% — на системну інтеграцію. Цай Юнда підкреслив, що очищення даних і оцінювання визначають межі, у яких AI може навчатися. Якщо початкові дані мають нечітке визначення або суперечливі позначки, це вводить шум у джерело даних. Будь-яка магія алгоритмів або техніки налаштування параметрів не зможе усунути фоновий шум, оскільки модель не може самостійно виправити помилкові підручники, і кінцева межа точності повністю залежить від обсягу корисної інформації у даних. Щоб забезпечити єдині стандарти даних з джерела, Цай Юнда зазначив, що щодня переглядає визначення понять і системи класифікації даних, навіть повторно перевіряє історичні позначки. Багато фахівців погоджуються і відзначають, що незалежно від правил підсиленого навчання або точності позначок для тонкої настройки моделей, на результати AI завжди впливає якість даних і рівень оцінювання, а не сама архітектура моделі.

Переглянути оригінал

Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.

2 лайків

Нагородити
2
5
1
Поділіться

Прокоментувати

Додати коментар

GateUser-e4351615

· 5год тому

50% оцінка частки пояснення системи верифікації важливіша за алхімію