디지털 이미지를 생성 데이터이다.

게티

레모네이드는 하나의 올해의 가장 인기있원에 대한 주요 이유이 회사의 무거운 투자는 인공 지능(Artificial Intelligence). 이 회사는이 기술을 사용하여 정책 구매 및 청구 관리를 처리하는 봇을 개발했습니다.

그렇다면이 같은 회사는 어떻게 AI 모델을 만드나요? 과정은 무엇입니까? 음,놀랄 일이 아니어야하므로 복잡하고 실패에 취약합니다. 그러나 다시 염두에 두어야 할 몇 가지 핵심 원칙이 있습니다. 그래서 살펴 보자:

선택:선택할 수있는 알고리즘의 수백이있다. 어떤 경우에는,가장 좋은 방법은 다음과 같습니다 사용하여 여러(이으로 알려져 있 앙상블을 모델링).

“를 선택하는 모델을 시작으로 얻기에 대한 철저한 이해의 조직이 무슨 소원을 달성하기 위해,”고 말했다 Shadi Sifain 는 고위 관리자의 데이터 과학과 예측 분석에서 데이터에 따. “선택하면 오른쪽 모델주를 포함한 밸런싱 요구 사항의 번호를 포함하여 모델의 성능,정확성,해석 가능성,그리고 컴퓨팅 성능이 다른 요인 사이에서,”

그것을 실현하는 것이 중요 당신이 올바른 종류의 데이터에 대한 특정 모델이다. 어떤 경우,이 인공 지능 개발 과정에서 가장 큰 도전 중 하나입니다. “평균적으로,데이터 준비 프로세스는 2 배 또는 어떠한 경우에는 3 배 이상만의 디자인 기계 학습 알고리즘,”고 말했다 발레리 Sadovykh 는 새로운 기술 글로벌 납품에 PwC 연구실입니다. 따라서 프로젝트의 초기 단계에서 데이터를 잘 파악해야합니다. Capgemini North America 의 AI&분석 담당 부사장 인 Dan Simion 은”탐색 적 분석을 수행하십시오. “데이터를 2 차원과 3 차원으로 시각화 한 다음 간단하고 설명적인 통계를 실행하여 데이터를보다 효과적으로 이해하십시오. 다음으로 이상 및 누락 된 데이터를 확인하십시오. 그런 다음 샘플 크기의 더 나은 그림을 얻기 위해 데이터를 정리하십시오.”

그러나 항상 트레이드 오프가있을 것이므로 완벽한 모델은 없습니다.

“오래된 정리 기계에서 학습 및 패턴인식 사회라는 점을 정리하는 states 없다는 것을 단일 모델에 있는 최고의에서 모든 작업을”제이슨 박사는 말했 Corso,누가 교수의 전기 공학 및 컴퓨터 공학과에서 미시간대학교와 공동 설립자 및 CEO Voxel51. “따라서 모델이 만드는 가정과 작업이 만드는 가정 간의 관계를 이해하는 것이 핵심입니다.”

교육:알고리즘 또는 그 집합이 있으면 데이터 집합에 대해 테스트를 수행하려고합니다. 가장 좋은 방법은 데이터 세트를 적어도 두 부분으로 나누는 것입니다. 약 70%~80%는 모델의 테스트 및 튜닝을위한 것입니다. 그러면 나머지는 유효성 검사에 사용됩니다. 이 과정을 통해,정확도 비율에 보기 있을 것입니다.좋은 소식은 프로세스를 간소화하는 데 도움이되는 많은 AI 플랫폼이 있다는 것입니다. TensorFlow,PyTorch,KNIME,Anaconda 및 Keras 와 같은 오픈 소스 오퍼링은 물론 Alteryx,Databricks,DataRobot,MathWorks 및 SAS 와 같은 독점 애플리케이션이 있습니다. 물론 Amazon,Microsoft 및 Google 의 풍부한 인공 지능 시스템이 있습니다.

“The key is to look 오픈 소스에 대한 도구는 허용한 쉽고 빠른 실험다,”모니카 리빙스턴,누가 이사의 판매에서 인텔 등이 있습니다. “당신이 선호하는 경우를 구입 3rd 파티 솔루션은 많은 Isv 제공 AI 기반의 솔루션과 같은 작업을 위해 이미지 인식을 채팅,로봇,결함 검출 및니다.”

피처 엔지니어링:이것은 모델에 가장 적합한 예측 변수 인 변수를 찾는 프로세스입니다. 이것은 데이터 과학자의 전문 지식이 필수적인 곳입니다. 그러나 도메인 전문가가 도와 줄 필요가 종종 있습니다.

“을 수행하는 기능 엔지니어링,개업 모델을 구축하는 데 필요한 좋은 이해의 문제에 손으로는 등의 선입견을 가능한 한 효과를 예측하기도 전에 그들을 발견하는 데이터를 통해”라고 제이슨 코트렐,사람의 CEO Myplanet. “예를 들어,의 경우에는 예측하는 기본값으로 대출을 신청자는 효과적인 예측할 수 있었다 소득에서 흘러한 서류가 필요합니다.”

그러나 올바른 기능을 찾는 것은 일부 상황에서는 거의 불가능할 수 있습니다. 이것은 자율 차량과 함께 사용할 때와 같은 컴퓨터 비전의 경우 일 수 있습니다. 그러나 정교한 딥 러닝을 사용하는 것이 해결책이 될 수 있습니다.

“요즘,신경 네트워크를 사용하여 배우 기능으로,그들은 더 나은 이해에서 통계보다 인간,”said Eric 예치는 사람,컴퓨터 과학자에 인공적인 정보 센터에서 SRI 국제적입니다. “그러나 그들은 반드시 만병 통치약이 아니며 의도되지 않은 기능을 개발할 수도 있습니다. 유명한 예는 탱크와 지프를 감지하기 위해 개발 된 이미지 분류기입니다. 대신,그것은 배운을 감지하는 낮과 밤 모든 지프차 사진 촬영에서의 하루 탱크 및 모든 사진 촬영에 박물관에서 밤입니다.”

톰(@ttaulli)은 고문은 벤처 기업과 저자는 인공 지능의 기본 사항:는 기술이 아닌 소개하고 로봇 프로세스 자동화 Handbook:A Guide to 을 구현하는 RPA 시스템입니다. 그는 또한 파이썬 프로그래밍 언어에 대한 등 다양한 온라인 과정을 개발했다.

트위터 나 LinkedIn 에서 나를 팔로우하십시오. 내 웹 사이트 또는 다른 작업 중 일부를 여기에서 확인하십시오.