Nul
AWS meddelte Amazon SageMaker Ground Truth til at hjælpe virksomheder med at skabe uddannelse datasæt for machine learning. Dette er et kraftfuldt, nyt service til folk, der ikke har adgang til masser af data der ikke har været konsekvent kommenteret. I fortiden, mennesker ville have til at mærke en massiv samling af billeder eller rammer inden for video til at træne en computer vision model. Ground Truth bruger machine learning i tillæg til mennesker til automatisk at mærke en uddannelse datasæt.
Også: Vil AI behov for terapi i fremtiden? CNET
Dette er et eksempel på en ny tema over det seneste år eller så-machine learning for machine learning. Machine-learning data kataloger (MLDCs), probabilistisk eller fuzzy matching, automatiseret data, kommentering, og syntetiske data oprettelse alle bruger machine learning til at producere eller forberede data til efterfølgende machine learning downstream, ofte løse problemer med data knaphed eller spredning. Dette er alt sammen meget godt, indtil vi finder, at maskinen læring i og af sig selv er afhængig af induktiv ræsonnement og er derfor sandsynlighed-baseret.
Lad os overveje, hvordan dette kan spille ud i den virkelige verden: En sundhedspleje udbyder vil gerne bruge computer vision til at diagnosticere sjældne sygdomme. På grund af sparsomme data, en automatiseret annotator bruges til at skabe mere uddannelse data (mere mærkede billeder). Bygherren fastsætter en 90 procent tilbøjelighed tærskel, hvilket betyder at kun poster med en 90% sandsynlighed for, at være præcist klassificeret vil blive brugt som uddannelse af data. Når modellen er uddannet og indsat, det bliver brugt på patienter, hvis data er knyttet sammen fra flere databaser ved hjælp af fuzzy-matching af tekst, data felter. Enheder fra forskellige datasæt med 90 procent chance for at blive det samme er matchet. Endelig, den model flag billeder med en 90 procent eller større sandsynlighed for skildrer den sygdom, diagnose.
Også: Top 5: Måder, AI vil ændre business TechRepublic
Problemet er, at det traditionelt, data forskere og maskine-læring eksperter, der kun fokuserer på, at den endelige propensity score som en repræsentation af den samlede nøjagtighed af forudsigelsen. Det har fungeret godt i en verden, hvor data forberedelse, som fører op til træning har været deduktiv og deterministisk. Men når du indfører sandsynligheder på toppen af sandsynligheder for, at den endelige propensity score er ikke længere nøjagtig. I tilfældet ovenfor, er der et argument for at være gjort, at sandsynligheden for, at en præcis diagnose aftager fra 90% til 73 procent (90% x 90% x 90 procent) — ikke velegnet i en liv-og-død situation.
Som der lægges vægt på behovet for explainability i AI stiger, er der behov for en ny ramme for analytics-styring, der omfatter alle de sandsynligheder, der indgår i maskinen-learning processen-fra data oprettelse af data prep til uddannelse til inferens. Uden det, er fejlagtigt oppustet propensity score, vil misdiagnose patienter, mishandle kunder, og vildlede virksomheder og regeringer, som de træffe kritiske beslutninger.
— Af Brandon Purcell, Der Er Ledende Analytiker
Hvordan vil AI ændre den måde, hvorpå virksomheder arbejder i 2019? Registrer dig i dag, Forrester ‘ s gratis forudsigelser webinar den 23 januar kl 11 ET.
Dette indlæg blev oprindeligt bragt her.
Tidligere og relaterede dækning:
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er machine learning? Alt, hvad du behøver at vide
Denne vejledning forklarer, hvad machine learning er, hvordan det er relateret til kunstig intelligens, hvordan det fungerer, og hvorfor det er vigtigt.
Hvad er cloud computing? Alt, hvad du behøver at vide om
En introduktion til cloud computing-lige fra det grundlæggende op til IaaS og PaaS, hybrid, offentlige og private cloud.
Relaterede Emner:
Innovation
Digital Transformation
CXO
Tingenes Internet
Virksomhedens Software
Intelligente Byer
0