内容字号:默认大号超大号

段落设置:段首缩进取消段首缩进

字体设置:切换到微软雅黑切换到宋体

云解析_个人服务器搭建_超低折扣

2021-06-09 06:18 出处:欧普曼云计算 人气: 评论(0

云解析_个人服务器搭建_超低折扣

许多客户都问我们这样一个深刻的问题:在概念验证(POC)之后,我们如何从人工智能(AI)计划中实现业务价值?企业对人工智能的潜力感到兴奋,有些企业甚至将创建POC作为第一步。然而,由于缺乏对商业价值或投资回报的明确认识,一些公司受到了阻碍。因此,我们从数据科学团队那里听到了同样的问题,他们创建了机器学习(ML)模型,但这些模型在他们的组织中没有得到充分利用。

在谷歌云,我们致力于帮助各种规模的组织通过人工智能实现自我转型。我们与许多客户合作,帮助他们从AI投资中获得价值。人工智能是一项团队运动,需要业务分析师、数据工程师、数据科学家和机器学习工程师之间的强大协作。因此,我们建议与您的团队讨论以下三个步骤,以实现您的人工智能项目的最大商业价值:

步骤1:使人工智能项目与业务优先级保持一致,并找到一个好的赞助商实现人工智能价值的第一步是确定正确的业务问题和承诺使用人工智能解决该问题的赞助商。团队通常对将人工智能应用于问题的前景感到兴奋,而没有深入思考该问题对整体业务价值的贡献。例如,使用人工智能更好地对对象进行分类可能比一个伟大的聊天机器人价值要低。然而,许多企业并没有从使人工智能项目与最重要的业务挑战保持一致的关键步骤开始。

确定正确的业务问题。为确保一致性,请从组织的业务战略和关键优先级开始。确定可以从AI中获得最大收益的业务优先级。进行此评估的人员需要充分了解AI和ML最常见的用例。可以是数据科学总监,也可以是业务分析师和数据科学家团队。

保留能够真正从AI或ML中受益的业务优先级的短名单。在实施过程中,从最可行的开始,完成这个清单。通过采用这种方法,当您构建一组解决特定业务优先级的ML模型时,您更有可能产生显著的业务价值。相反,如果数据科学或机器学习团队为与业务优先级不一致的问题构建了出色的解决方案,那么他们构建的模型不太可能大规模使用。

找到业务发起人。我们还发现,当人工智能项目有一个高级执行发起人与组织中的其他领导一起支持它们时,它们更有可能获得成功。不要在没有完成这一关键步骤的情况下启动人工智能项目。一旦您确定了正确的业务优先级,就可以找到高级管理人员来拥有它。与他们的团队合作,获得他们的认可和赞助。资历越高、责任心越强。如果你的首席执行官关心人工智能,你可以打赌你的大多数员工都会关心。

第二步:在模型、仪表板和显示器中规划可解释的ML许多业务用户的重要要求是要有ML模型的解释。在许多情况下,仅仅用ML模型来提供结果是不够的;理解原因也很重要。解释有助于建立对模型预测的信任,什么是物联网应用技术,并提供业务用户可以采取行动的有用因素。例如,返利啦,在金融服务和医疗保健等受监管行业,有些法规要求对决策作出解释。例如,在美国,联邦贸易委员会(FTC)实施的《平等信贷机会法》(ECOA)赋予消费者了解其贷款申请被拒绝的原因的权利。贷款人必须告诉消费者他们被拒绝的具体原因。监管者一直在寻求有关如何进行最大似然预测的更多透明度。

选择新技术来建立可解释的最大似然模型。直到最近,大多数领先的ML模型都很少或根本没有对他们的预测做出解释。然而,最近的进展甚至为最复杂的ML算法(如深度学习)提供了解释。其中包括局部可解释模型不可知解释(LIME)、锚定、综合梯度和Shapley。这些技术提供了一个独特的机会,以满足业务用户的需求,即使是在受监管的行业,强大的ML模型。

使用正确的技术,以满足您的用户需要的模型解释。当您构建ML模型时,请准备好在全球和本地提供解释。全局解释提供了模型的关键驱动因素,是整个模型中最强的预测因素。例如,返利app是真的吗,信用违约预测模型的全局解释可能会显示,违约的首要预测因素可能包括变量,如以前违约的次数、未付款的次数、就业状况、在银行工作的时间长度、在你的地址工作的时间长度等,本地解释提供了特定客户预计违约的原因,具体原因因客户而异。当你开发你的ML模型时,在你的计划中加入时间来提供全局和局部的解释。我们还建议收集用户需求,以帮助您选择正确的模型解释技术。例如,许多金融监管机构不允许使用替代模型进行解释,这就排除了石灰等技术。在这种情况下,集成的渐变技术将更适合这个用例。

另外,无论你在哪里显示模型的结果,淘客商城,都要准备好分享模型的解释-这可以在分析仪表板、嵌入式应用程序或其他显示器上。这将有助于建立对您的ML模型的信心。如果您的ML模型为其预测提供了直观的解释,那么业务用户更可能信任它。如果您的业务用户信任模型,那么他们更有可能对预测采取行动。同样,有了这些解释,你的模型更容易被监管机构接受。

第3步:在你的组织内扩大数据分析和数据工程方面的专业知识要实现人工智能的全部潜力,你需要具备适当技能的优秀人才。鉴于ML工程师的严重短缺,这对许多组织来说是一个巨大的挑战——许多组织真的很难雇用他们。你可以通过提高现有员工的技能和利用新一代简化人工智能模型开发的产品来解决技能短缺问题。

提高现有员工的技能。你并不总是需要博士ML工程师才能成功地使用ML。如果你的应用程序需要研究和开发,例如,如果你在制造无人驾驶汽车,人工智能行业分析,博士ML工程师是很棒的。但是AI或ML的大多数典型应用不需要博士专家。你需要的是那些能够应用现有算法甚至预先训练好的ML模型来解决现实问题的人。例如,有一些强大的图像识别ML模型,比如ResNet50或Inception V3,它们在开源社区免费提供。你不需要一个计算机视觉专家来使用它们。与其搜索独角兽,不如先升级现有的数据工程师和业务分析师,确保他们了解数据科学和统计学的基础知识,以便正确使用强大的ML算法。

在谷歌,我们提供了丰富的ML培训——从Qwiklabs到Coursera课程(例如,谷歌TensorFlow上的机器学习)云平台专业化或面向业务专业人士的机器学习)。我们还提供沉浸式培训,如讲师指导的课程和高级解决方案实验室为期四周的强化机器学习培训计划。这些课程为培训您的业务分析师、数据工程师和开发人员进行机器学习提供了很好的途径。

利用简化人工智能模型开发的产品。直到最近,你还需要复杂的数据科学家和机器学习工程师来构建最简单的ML模型。这个团队需要对核心ML算法有深入的了解,以便为每个问题选择合适的算法。然而,这种情况正在迅速改变。功能强大但简单的ML产品,如googlecloud的cloudautoml,使对机器学习知识有限的开发人员能够针对其业务需求训练高质量的模型。类似地,BigQueryML允许数据分析人员使用简单的SQL查询在BigQuery中几分钟内构建和操作机器学习模型。通过这两种产品,业务分析师、数据分析师和数据工程师可以接受培训,用很少的ML专业知识构建强大的机器学习模型。

分享给小伙伴们:
本文标签: 解析个人服务器搭建超低折扣

相关文章

评论

发表评论愿您的每句评论,都能给大家的生活添色彩,带来共鸣,带来思索,带来快乐。

签名: 验证码: 点击我更换图片

评论列表