3 نصائح لمراقبة الأنماط للحصول على نتائج موثوقة عند نشر الذكاء الاصطناعي

ألا تستطيع حضور Transform 2022؟ تحقق من جميع جلسات القمة في مكتبتنا عند الطلب الآن! انظر هنا.

يعد الذكاء الاصطناعي (AI) بتحويل كل الأعمال تقريبًا على هذا الكوكب. هذا هو السبب في أن معظم قادة الأعمال يتساءلون عما يتعين عليهم فعله لنشر الذكاء الاصطناعي بنجاح في الإنتاج.

يتعطل الكثيرون في فك رموز التطبيقات الواقعية للأعمال ؛ سيصمد مع مرور الوقت مع تطور الأعمال ؛ ومن سيضع أقل إجهاد على فرقهم. ولكن أثناء الإنتاج ، فإن أحد المؤشرات الرئيسية لنجاح مشروع الذكاء الاصطناعي هو ممارسات المراقبة المستمرة للنماذج الموضوعة حوله.

تستخدم أفضل الفرق ثلاث استراتيجيات رئيسية لمراقبة نماذج الذكاء الاصطناعي: 1. مراقبة اتجاهات الأداء

يتطلب قياس التغييرات في أداء نماذج الذكاء الاصطناعي مستويين من تحليل المقاييس: المقاييس الصحية ومقاييس الأعمال. تركز معظم فرق التعلم الآلي (ML) فقط على مقاييس الصحة النموذجية. يتضمن ذلك المقاييس المستخدمة أثناء التدريب - مثل الدقة والاستدعاء - بالإضافة إلى المقاييس التشغيلية - مثل استخدام وحدة المعالجة المركزية والذاكرة ومدخلات / إخراج الشبكة. على الرغم من أن هذه التدابير ضرورية ، إلا أنها غير كافية في حد ذاتها. للتأكد من أن نماذج الذكاء الاصطناعي لها تأثير في العالم الحقيقي ، يجب على فرق التعلم الآلي أيضًا مراقبة الاتجاهات والتقلبات في مقاييس المنتجات والأعمال التي تتأثر مباشرة بالذكاء الاصطناعي.

حدث

MetaBeat 2022

ستجمع MetaBeat قادة الفكر لتقديم المشورة بشأن الطريقة التي ستغير بها التكنولوجيا metaverse الطريقة التي تتواصل بها جميع الصناعات وتؤدي أعمالها في 4 أكتوبر في سان فرانسيسكو ، كاليفورنيا. سجل هنا

على سبيل المثال ، يستخدم YouTube الذكاء الاصطناعي للتوصية بمجموعة مخصصة من مقاطع الفيديو لكل مستخدم استنادًا إلى عدة عوامل: سجل مشاهدة الفيديو ، وعدد الجلسات ، ومشاركة المستخدم ، وما إلى ذلك. وعندما لا تعمل هذه النماذج بشكل جيد ، يقضي المستخدمون وقتًا أقل على التطبيق في مشاهدة مقاطع الفيديو.

Pour accroître la visibilité sur les performances, les équipes doivent créer un tableau de bord unique et unifié qui met en évidence les métriques de santé du modèle aux côtés des métriques clés des produits et de l' شركة. تساعد هذه الرؤية أيضًا فرق ML Ops على تصحيح المشكلات بكفاءة عند ظهورها.

2. الكشف عن القيم المتطرفة

يمكن أن تنتج النماذج أحيانًا نتيجة خارج النطاق الطبيعي للنتائج: نحن نسمي ذلك بالغيب. يمكن أن تؤدي القيم المتطرفة إلى تعطيل نتائج الأعمال وغالبًا ما يكون لها عواقب سلبية كبيرة إذا لم يلاحظها أحد.

على سبيل المثال ، تستخدم أوبر الذكاء الاصطناعي لتحديد سعر كل مشوار ديناميكيًا ، بما في ذلك الرسوم الإضافية. يعتمد هذا على مجموعة متنوعة من العوامل - مثل طلب السائق أو توفر السائق في منطقة ما. تخيل سيناريو تنتهي فيه حفلة موسيقية ويطلب الحاضرون بقالة في نفس الوقت. نظرًا للزيادة في الطلب ، يمكن للنموذج زيادة سعر الركوب بمقدار 100 ضعف النطاق الطبيعي. لا يرغب المسافرون أبدًا في دفع 100 ضعف سعر المشوار ، مما قد يكون له تأثير كبير على ثقة المستهلك.

يمكن أن تساعد المراقبة الشركات في تحقيق التوازن بين فوائد تنبؤات الذكاء الاصطناعي وحاجتها إلى نتائج يمكن التنبؤ بها. يمكن أن تساعد التنبيهات الآلية فرق عمليات التعلم الآلي في اكتشاف القيم المتطرفة في الوقت الفعلي من خلال منحهم فرصة للرد قبل حدوث الضرر. بالإضافة إلى ذلك ، يجب أن تستثمر فرق ML Ops في أدوات لتجاوز إخراج النموذج يدويًا.

في مثالنا أعلاه ، يمكن أن يؤدي اكتشاف الانحراف في نموذج التسعير إلى تنبيه الفريق ومساعدته في اتخاذ الإجراءات التصحيحية ، مثل إيقاف الزيادة قبل أن يلاحظ الركاب. بالإضافة إلى ذلك ، يمكن أن يساعد فريق ML على جمع بيانات قيمة لإعادة تدريب النموذج لمنع حدوث ذلك مرة أخرى في المستقبل.

3. تتبع الانجراف البيانات

يشير الانجراف إلى تدهور أداء النموذج بمرور الوقت بمجرد أن يكون في مرحلة الإنتاج. لأن الذكاء الاصطناعي م ...