ข้อมูลการฝึกอบรม AI: ผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่องและ CEO ของ TechSpeed ​​เปิดเผยว่าคุณภาพข้อมูลสามารถสร้างหรือทำลายผลิตภัณฑ์ AI ของคุณได้อย่างไร

ภายในปี 2564 เทคโนโลยีเกิดใหม่มากกว่า 80% จะใช้ AI

อย่างไรก็ตาม แม้ว่าเทคโนโลยีนี้จะสนับสนุนผลิตภัณฑ์เทคโนโลยีใหม่เกือบทั้งหมดที่ออกสู่ตลาด แต่ก็ยังมีการสนทนาเพียงเล็กน้อยอย่างน่าประหลาดใจเกี่ยวกับสิ่งที่กำหนดรูปแบบระบบอัจฉริยะของเรา ซึ่งก็คือคุณภาพของข้อมูล

AI หรือการเรียนรู้ของเครื่อง (ML) ข้อมูลการฝึกอบรมมักจะเปรียบเทียบกับตำราเรียน สิ่งเหล่านี้ให้ความรู้แก่ระบบที่ชาญฉลาดโดยให้บริบทและปริซึมเพื่อทำความเข้าใจแนวคิด

ซึ่งหมายความว่าเทคโนโลยีที่ขับเคลื่อนด้วย AI นั้นซับซ้อนและแม่นยำพอๆ กับข้อมูลที่เรียนรู้

เราได้พูดคุยกับ Vidya Plainfield ผู้เชี่ยวชาญด้านข้อมูลและ CEO ของหน่วยงานบริการข้อมูล TechSpeed ​​เพื่อหารือเกี่ยวกับความสำคัญของข้อมูลการฝึกอบรม AI ผลที่ตามมาของชุดข้อมูลที่เลือกไม่เพียงพอหรือไม่เพียงพอ และแนวโน้มบางส่วนที่เราคาดหวังจะได้เห็นในภาคสนาม

1. สวัสดี Vidya ก่อนที่เราจะพูดถึงด้านเทคนิค โปรดบอกเราสักเล็กน้อยเกี่ยวกับ TechSpeed ​​และภูมิหลังของคุณใน AI/ML และธุรกิจของข้อมูล

Vidya: TechSpeed ​​ก่อตั้งขึ้นในพอร์ตแลนด์ รัฐโอเรกอน ในปี 2545 โดยผู้เชี่ยวชาญด้านข้อมูล (แม่ของฉัน) และนักประดิษฐ์ (พ่อของฉัน)

ในขณะที่ทั้งคู่เกษียณอายุแล้ว แต่จิตวิญญาณแห่งการประดิษฐ์ การประกอบการ และครอบครัวของพวกเขายังคงมีชีวิตอยู่ในทีมที่กำลังเติบโตของเราซึ่งมีช่างเทคนิค นักพัฒนา และผู้จัดการมากกว่า 100 คน

ตลอดระยะเวลา 18 ปีของเรา เรามีโอกาสพัฒนาและกำหนดรูปแบบอุตสาหกรรมข้อมูลร่วมกับคู่ค้าลูกค้าของเรา ในขณะที่เราขุด จัดเรียง และเก็บเกี่ยวข้อมูลเชิงลึกจากข้อมูล

สิ่งที่คนส่วนใหญ่ไม่รู้ก็คือมีกลไกข้อมูลขนาดใหญ่อยู่เบื้องหลังส่วนหน้าของ AI และข้อมูลขนาดเทราไบต์เหล่านั้นขับเคลื่อนโดยข้อมูลที่สร้างขึ้นอย่างระมัดระวัง

ถ้าคุณไม่ระวังข้อมูลแบ็กเอนด์ คุณสามารถสอนเครื่องมือ AI บางอย่างที่คุณไม่ได้ตั้งใจได้โดยไม่ตั้งใจ

TechSpeed ​​เข้าใจข้อมูลเป็นพื้นฐาน และนั่นเป็นรากฐานของวิธีที่เราร่วมมือกับลูกค้าเพื่อช่วยฝึกอบรมและตรวจสอบ AI ของพวกเขา

2. มากำหนดคุณภาพข้อมูลในบริบทของ AI/ML: TechSpeed ​​รับรองข้อมูลอย่างไร

Vidya: แน่นอนว่าคุณภาพคือราชา ขยะเข้าก็คือขยะออก

การทำความสะอาดข้อมูลดิบเป็นเรื่องน่าเบื่อ การถอดรหัสตัวแปรที่หายไป และแปลงคุณภาพเป็นตัวแปรเชิงปริมาณ

มีคำกล่าวที่ว่า “นักวิทยาศาสตร์ข้อมูลใช้เวลา 80% ไปกับการทำความสะอาดข้อมูล และ 20% ในการสร้างแบบจำลอง”

หลุมพรางที่ใหญ่ที่สุดที่เราเห็นคือบริษัทต่างๆ ประเมินค่าต่ำเกินไปและให้เงินทุนไม่เพียงพอกับข้อมูลคุณภาพที่สะอาด

การประเมินต่ำไปนี้หมายความว่า เมื่อพูดถึงการสร้างโปรแกรม พวกเขาต้องเผชิญกับการเลือกระหว่างการมีชุดข้อมูลที่ใหญ่เพียงพอหรือการมีชุดข้อมูลที่มีคุณภาพ

สิ่งสำคัญคือคุณต้องการทั้งคุณภาพและปริมาณ

TechSpeeds ทำงานร่วมกับลูกค้าเพื่อช่วยปรับขนาดชุดข้อมูลในราคาประหยัด เพื่อไม่ให้ต้องแลกมา เรานำเสนอบริการที่หลากหลาย รวมถึงการประมวลผลแบบเดี่ยว หลายรายการ และ DEQA เพื่อให้แน่ใจว่าข้อมูลมีคุณสมบัติตรงตามข้อกำหนดของโปรแกรม

3. คุณจะประเมินแนวทางของอุตสาหกรรมในด้านคุณภาพข้อมูลอย่างไร เมื่อพิจารณาจากเพื่อนร่วมงานและลูกค้าของคุณ อะไรคือข้อผิดพลาดหรือความเข้าใจผิดที่พบบ่อยที่สุดเกี่ยวกับการฝึกอบรม AI/ML ที่คุณพบ

Vidya: มีบริษัทมากมายที่เสนอคำมั่นสัญญาที่หลากหลายแก่บริษัทที่มีเจตนาดี

ผู้ให้บริการบางรายเริ่มต้นสิ่งต่าง ๆ แต่คาดว่าบริษัทต่างๆ จะรับมือกับงานหนักเมื่อเป็นเรื่องของการฝึกอบรมและการจัดการข้อยกเว้นอย่างต่อเนื่อง

ข้อผิดพลาดที่ใหญ่ที่สุดที่เราเห็นบริษัททำเมื่อจัดการแผนข้อมูลคือ:

1. ปริมาณไม่เพียงพอ

จำเป็นต้องมีชุดข้อมูลขนาดใหญ่ในทุกหมวดหมู่ เพื่อให้แน่ใจว่ามีการถ่วงน้ำหนักข้อมูลที่เท่ากันสำหรับพารามิเตอร์ทั้งส่วนใหญ่และส่วนน้อย หากไม่มีอัลกอริธึมจะทำให้ข้อมูลส่วนใหญ่มีน้ำหนักเกินเมื่อพยายามตอบสนองต่อสถานการณ์ส่วนน้อย

ตัวอย่างเช่น สมมติว่าคุณต้องการจัดหมวดหมู่ภาพต้นไม้ สมมติว่าคุณมีข้อมูลดีๆ มากมายเกี่ยวกับต้นไม้ทุกสายพันธุ์ แสงสว่างและระยะชีวิตทุกประเภท อย่างไรก็ตาม คุณมีปริมาณไม่มากว่าต้นไม้จะมีลักษณะอย่างไรหลังพายุเฮอริเคน

แน่นอนว่าสิ่งเหล่านี้จะเป็นเพียงตัวอย่างส่วนน้อย แต่หากคุณมีข้อมูลที่แข็งแกร่งจะนับเฉพาะข้อมูลส่วนใหญ่ เมื่อเครื่องมือดูรูปภาพของต้นไม้หลังพายุเฮอริเคน เครื่องมือจะใช้ข้อมูลและให้น้ำหนักมากเกินไปจากข้อมูลต้นไม้ส่วนใหญ่ที่มีสุขภาพดี ชุด. นี้สามารถนำไปสู่ข้อผิดพลาด

2. ความหลากหลายไม่เพียงพอ

การขาดข้อมูลที่แข็งแกร่งในหมวดหมู่ที่หลากหลายเป็นสิ่งจำเป็นเพื่อให้แน่ใจว่าเครื่องมือสามารถจัดการกับการเปลี่ยนแปลงอย่างต่อเนื่องในสภาพแวดล้อมชุดข้อมูล

ตัวอย่างเช่น สมมติว่าคุณกำลังสร้างเครื่องมือวิเคราะห์ด้วยภาพที่ดูที่ภาพของคอนเทนเนอร์จัดเก็บ จากนั้น จู่ๆ ก็มีการอัพเกรดระบบกล้องขึ้น ผลลัพธ์ของเครื่องมือจะได้รับผลกระทบอย่างสม่ำเสมอ

โลกเป็นสถานที่ที่มีพลวัต ต้องพิจารณาคุณลักษณะปัจจุบันและอนาคตของลูกค้า สภาพแวดล้อม ทัศนคติ ฯลฯ เพื่อให้แน่ใจว่าเครื่องมือจะสามารถรองรับการเปลี่ยนแปลงเหล่านั้นได้

3. การประเมินความยากในการจัดหาข้อมูลต่ำไป

บ่อยครั้งที่บริษัทมีข้อมูลส่วนใหญ่จำนวนมากที่ต้องการจัดประเภท และความท้าทายอาจเกิดขึ้นได้เมื่อพวกเขาต้องการขุดข้อมูลส่วนน้อย

ตัวอย่างเช่น สมมติว่าคุณกำลังสร้างเครื่องมือวิเคราะห์ภาพที่ดูภาพสมาร์ทโฟน คุณอาจมีรูปภาพนับล้านที่มาจากโซเชียลมีเดียในหลากหลายหมวดหมู่ แต่สิ่งที่คุณไม่มีก็คือรูปภาพทั้งหมดที่ผู้คนไม่อัปโหลด

สิ่งที่ฉันหมายถึงคือคนทั่วไปโพสต์ภาพไปยังโซเชียลมีเดียที่พวกเขาชอบด้วยคุณภาพและความคมชัดที่ค่อนข้างดี

อย่างไรก็ตาม หากเครื่องมือของคุณใช้สำหรับตรวจทานภาพโทรศัพท์มือถือ มีรูปภาพจำนวนมากที่พร่ามัว เปิดรับแสงมากเกินไป เอียง ฯลฯ ภาพเหล่านี้หาแหล่งที่มาได้ยากเพราะคุณพบภาพทดสอบส่วนน้อยที่ผู้คนไม่โพสต์อยู่ที่ไหน

บริษัทมักจะประเมินช่องว่างในข้อมูลต่ำเกินไปซึ่งจำเป็นต้องใช้ทรัพยากรเพื่อเติมเต็ม ด้วยวิธีนี้ พันธมิตรการเรียนรู้ของเครื่องที่ดีจะไม่เพียงช่วยคุณจัดระเบียบข้อมูลที่คุณมี แต่ยังช่วยให้คุณแหล่งข้อมูลที่คุณไม่มีอีกด้วย

4. ในที่สุด การเข้าใจผิดของ “รอน โปเปิล”

กล่าวอีกนัยหนึ่ง: การเข้าใจผิด "ตั้งค่าและลืมมัน"

บริษัทต่างๆ มักลืมไปว่าดวงตาของมนุษย์ยังคงมีความจำเป็นสำหรับการจัดการและบำรุงรักษาอย่างต่อเนื่อง

ไม่ว่าจะเป็นผลลัพธ์ที่มีความมั่นใจต่ำ การจัดการข้อยกเว้น การตรวจสอบ หรือการเพิ่มประสิทธิภาพด้วยข้อมูลการเสริมแรง เวิร์กโฟลว์ต่อเนื่องเหล่านี้เป็นกุญแจสำคัญในการทำให้เครื่องมือมีความสดใหม่และช่วยให้ประสบความสำเร็จอย่างต่อเนื่อง

4. ผลที่ตามมาของการฝึกอบรม AI ที่ได้รับการจัดการไม่ดีคืออะไร?

Vidya: ฉันมีนิ้วมือและนิ้วเท้าไม่พอที่จะนับครั้งที่ลูกค้ามาหาเราเพราะพวกเขาประเมินการวางแผน ค่าใช้จ่าย และขอบเขตที่จำเป็นในการพัฒนาเครื่องมือการเรียนรู้ของเครื่องต่ำเกินไป

ส่วนที่แย่ที่สุดคือเนื่องจากพื้นฐานของโปรแกรมคือข้อมูล ลูกค้าอาจเสียเวลาและเงินอันมีค่าไป เนื่องจากต้องรื้อชุดข้อมูลเดิมและเริ่มต้นใหม่

หากคุณถามคณะกรรมการของ CEO พวกเขาจะบอกคุณว่าพวกเขาคิดว่าการใช้ประโยชน์จาก AI เป็นกุญแจสู่ความสามารถในการแข่งขันในอนาคต

ดังที่กล่าวไปแล้ว มีบริษัทเพียงไม่กี่เปอร์เซ็นต์ที่มีงบประมาณสำหรับ AI หรือรวมไว้เป็นส่วนหนึ่งของกระบวนการวางแผนเชิงกลยุทธ์

ดังนั้นสำหรับบริษัทเหล่านั้นที่ยอมเสียเงิน พวกเขามักจะมีเพียงหนึ่งช็อตเพื่อให้มันทำงาน

การฝึกอบรม AI ที่ได้รับการจัดการไม่ดีในบางครั้งอาจหมายความว่าบริษัทไม่สามารถลงทุนซ้ำได้หลังจากพยายามล้มเหลว นี่อาจหมายความว่าพวกเขาจะเล่นตามคู่แข่งไปตลอดกาล

5. ในความเห็นของคุณ มีตัวอย่างที่สำคัญที่สุดที่แสดงให้เห็นว่าข้อมูลการฝึกอบรม AI ส่งผลต่อเราในระดับสังคมอย่างไร

Vidya: เราอยู่ในช่วงเวลาหนึ่งในประวัติศาสตร์ของเราที่มีการตระหนักรู้ถึงอคติที่ได้รับการตั้งโปรแกรมไว้ในสังคมของเรา

เชื้อชาติ เพศ อายุ และจุดข้อมูลเท็จอื่น ๆ อีกมากมายถูกใช้เป็นเวลานานเกินไปในการตัดสินใจ และฉันจะขอโต้แย้ง ตัวเลือกที่ปรับให้เหมาะสมรองลงมา ซึ่งทำให้เราไม่สามารถบรรลุผลสำเร็จร่วมกันได้

ตัวอย่างเช่น บริษัทการเงินที่ต้องการใช้เครื่องมือการเรียนรู้ด้วยเครื่องเพื่อช่วยจำกัดขอบเขตผู้สมัคร

สมมติว่าบริษัทใช้ข้อมูลพนักงานในอดีตเป็นเวลา 20 ปีเพื่อระบุพนักงานที่ได้รับการเลื่อนตำแหน่งสูงสุด ผู้ที่ได้รับการประเมินประสิทธิภาพสูงสุด จากนั้นจึงพิจารณาว่าพวกเขาไปโรงเรียนที่ไหน มีประสบการณ์อะไรบ้างก่อนมาร่วมงานกับบริษัท เป็นต้น

บลัชออนครั้งแรกอาจฟังดูมีเหตุผลมาก “มาดูกันว่าใครประสบความสำเร็จในบริษัทของเราและจ้างคนแบบนี้มาเพิ่ม”

สิ่งที่เครื่องมือ HR ของคุณมองไม่เห็นคืออคติของสถาบันที่อาจส่งผลกระทบต่อการตัดสินใจจ้างงานและเลื่อนตำแหน่งในอดีต

• ผู้ชายมีแนวโน้มที่จะได้รับการเลื่อนตำแหน่งมากกว่าผู้หญิง
• คนผิวขาวมักจะถูกสัมภาษณ์และจ้างงานในที่สุดเมื่อเทียบกับคนผิวสี
• และในอดีต ชนกลุ่มน้อยที่มีรายได้ต่ำมีบทบาทน้อยในการศึกษาระดับอุดมศึกษาและเสียเปรียบในคุณลักษณะหลายประการเมื่อพูดถึงการรับเข้าเรียนในวิทยาลัยในโรงเรียนระดับที่ 1

ในตัวอย่างนี้ ชุดข้อมูลไม่สมบูรณ์ และต้องรวมข้อมูลประสิทธิภาพภายนอกพร้อมกับตัวแปรการเลือกอื่นๆ เช่น ศักยภาพ

ความมหัศจรรย์ของ AI ที่ออกแบบมาอย่างตั้งใจซึ่งสร้างขึ้นจากทีมที่มีจุดมุ่งหมายที่หลากหลายสามารถช่วยเราตัดผ่านอคติและจุดบอด

การตระหนักว่าเราสามารถทำให้เครื่องจักรฉลาดกว่าเราได้ ถือเป็นสิ่งที่ทรงพลังและเป็นอิสระได้หากเราเลือกทำ

6. ข้อเท็จจริงที่ว่าคุณเป็นธุรกิจที่นำโดยผู้หญิงทำให้คุณแตกต่างจากคู่แข่งอย่างไรและอย่างไร

Vidya: TechSpeed ​​เป็นองค์กรที่นำโดยผู้หญิงส่วนน้อยมาโดยตลอด

ผู้หญิงคิดเป็นเพียง 5% ของผู้หญิงที่เป็นชนกลุ่มน้อยในระดับซีอีโอและผู้บริหารทั้งหมดในด้านเทคโนโลยีแทบไม่มีอยู่จริง

การเป็นธุรกิจที่ผู้หญิงมีเจ้าของเป็นชนกลุ่มน้อยทำให้เราแตกต่างด้วยเหตุผลดังกล่าว ในอุตสาหกรรมที่ครอบงำโดยผู้ชายอย่างมาก เราภูมิใจที่ได้ยกตัวอย่างว่าผู้นำหญิงสามารถนำมุมมองและวิธีแก้ปัญหาที่แตกต่างกันมาสู่โต๊ะได้อย่างไร

เราอยู่ในธุรกิจของข้อมูล เรากำลังสอนเครื่องจักรให้มองโลกตามที่มันเป็นด้วยสีสันและรูปทรงทั้งหมดที่มีให้

องค์กรของเราสะท้อนให้เห็นถึงความหลากหลายของมุมมองที่เราพยายามที่จะสะท้อนให้เห็นในงานของเรา

ฉันเป็นแม่ของเด็กผู้หญิงที่มีความหลากหลายทางเชื้อชาติสามคนในครอบครัวผสม

ความหลากหลายและการเสริมอำนาจของผู้หญิงไม่ใช่สิ่งที่เราพูดถึง แต่เป็นสิ่งที่เราเป็นและวิธีที่เราดำเนินชีวิต

7. ตอนนี้ กลับไปที่ข้อมูลการฝึกอบรมและมองในด้านบวก ข้อมูลการฝึกอบรมที่มีคุณภาพมีประโยชน์ต่อผลิตภัณฑ์ AI อย่างไร เช่น ธุรกิจที่เป็นเจ้าของ

Vidya: โดย พื้นฐานแล้ว ข้อมูลการฝึกอบรมที่คิดมาอย่างดีหมายถึงข้อยกเว้นและข้อผิดพลาดน้อยลง

เหตุผลหลักในการลงทุนในการเรียนรู้ของเครื่องและเครื่องมือ AI ก็คือเพื่อให้สามารถแก้ปัญหาได้รวดเร็วและเชื่อถือได้มากขึ้น

มีการเรียกชื่อผิดโดยคนที่เพิ่งรู้จักในอุตสาหกรรมนี้ว่า AI ขับเคลื่อนตัวเองได้และสามารถทำงานอัตโนมัติได้อย่างเต็มที่ อย่างไรก็ตาม ความจริงก็คือสำหรับบริษัทส่วนใหญ่แล้ว ข้อผิดพลาด 10-20% และข้อยกเว้นจะยังคงอยู่

บันทึกความเชื่อมั่นต่ำหรือบันทึกข้อยกเว้นนี้ไม่ใช่คำสาป แต่เป็นโอกาส ข้อยกเว้นสามารถประมวลผลและวิเคราะห์ "ด้วยตนเอง" แล้วแปลงเป็นกฎหรือตรรกะใหม่หรือที่ดีกว่าได้

8. คุณจะแนะนำกระบวนการใดสำหรับการประกันคุณภาพข้อมูลอย่างต่อเนื่อง เมื่อใดที่คุณแนะนำให้เปลี่ยนการเรียนรู้ของเครื่องเป็นการทำงานอัตโนมัติอย่างสมบูรณ์ การฝึกอบรมสำหรับ AI มีวันสิ้นสุดหรือไม่?

Vidya: แน่นอนว่าการยกของหนักที่จำเป็นในระหว่างการตั้งค่าเริ่มต้นของโปรแกรม AI หรือแมชชีนเลิร์นนิงนั้นแตกต่างอย่างมากจากสิ่งที่จำเป็นสำหรับการบำรุงรักษาอย่างต่อเนื่อง

สิ่งที่เราเห็นคือโปรแกรมต่อเนื่องที่มีประสิทธิผลมากที่สุด ได้แก่ การตรวจสอบอย่างต่อเนื่องและการประมวลผลข้อยกเว้น

การทบทวนข้อยกเว้นการประมวลผลและการตรวจสอบอย่างต่อเนื่องอย่างต่อเนื่องจะระบุโอกาสและจุดอ่อนในโปรแกรม

โดยไม่มีข้อยกเว้น ทุกโครงการและทุกชุดข้อมูลจะเปิดเผยความแตกต่างที่ไม่ได้มีการวางแผนไว้แต่แรก และบางครั้งความแตกต่างเหล่านั้นต้องใช้เวลาจึงจะปรากฎ

ด้วยวิธีนี้ การวางแผนคือทุกสิ่ง แต่แผนกลับไม่มีความหมายอะไรเลย การสร้างการตรวจสอบช่วยให้แผนยังคงมีความยืดหยุ่นและเครื่องมือว่องไว

แม้ว่าจะมีข้อยกเว้นสำหรับเครื่องมือที่ธรรมดามาก แต่โดยส่วนใหญ่แล้วที่เกี่ยวกับ AI งานนั้นไม่มีวันจบสิ้นจริง ๆ มันก็แค่วิวัฒนาการ

9. สุดท้าย คุณคาดการณ์แนวโน้มที่จะเกิดขึ้นในการเพิ่มประสิทธิภาพข้อมูลการฝึกอบรม AI หรือไม่ ธุรกิจที่พึ่งพา AI ควรระวังอะไรบ้าง?

Vidya: AI/แมชชีนเลิร์นนิงเพิ่มขึ้นอย่างรวดเร็วจากชั้นวางเครื่องมือต่างๆ และเปิดตัวมากขึ้นทุกวัน

การเข้าถึงเครื่องมือให้บริการตัวเองช่วยให้ธุรกิจทุกประเภททดลองและเริ่มใช้ประโยชน์จากข้อมูลของตนได้

แน่นอนว่าสิ่งนี้ยอดเยี่ยมสำหรับอุตสาหกรรมและธุรกิจ อย่างไรก็ตาม ดังที่เราได้พูดคุยกันก่อนหน้านี้ หากไม่มีข้อมูลคุณภาพและการสนับสนุนอย่างต่อเนื่อง อาจสร้างปัญหาให้กับผู้ที่ทำเองได้

บริษัทต้องการเรียกใช้โปรแกรมของตนเอง แต่ไม่ค่อยมีแรงม้าในการจัดระเบียบและประมวลผลชุดข้อมูลการเรียนรู้

ซึ่งบางครั้งอาจส่งผลให้ชุดข้อมูลมีขนาดเล็กหรือไม่เพียงพอและในที่สุดโมเดลที่ไม่ดี

นั่นคือจุดที่คู่ค้าสนับสนุนข้อมูลที่ดีสามารถให้ทั้งมุมมองและการสนับสนุนที่ปรับขนาดได้เพื่อช่วยเป็นผู้นำจากเบื้องหลัง

มีสุภาษิตโบราณในหมู่นักวิจัยว่า ยิ่งคุณถามคำถามมากเท่าไหร่ คุณก็ยิ่งรู้ว่าคุณต้องการคำตอบมากเท่านั้น

ในขณะที่บริษัทต่างๆ พยายามสร้างโปรแกรมการเรียนรู้ของเครื่องที่มีความซับซ้อนมากขึ้น พวกเขาจะยังคงพบว่าชุดข้อมูลที่มีอยู่ในมือซึ่งเคยเริ่มต้นใช้งานนั้นไม่เพียงพออีกต่อไป

ความต้องการการขุดข้อมูลเพื่อช่วยเติมตรรกะ AI จะยังคงขยายตัวต่อไป ยิ่งอุตสาหกรรมเติบโตเต็มที่ ความตระหนักในข้อมูลที่เราไม่มีก็ยิ่งมากขึ้นเท่านั้น

แม้ว่า AI หรือแมชชีนเลิร์นนิงจะไม่ได้มีลักษณะเฉพาะ ฉันคิดว่าเราอยู่ในช่วงเวลาหนึ่งในประวัติศาสตร์ที่ผู้คนกำลังประเมินใหม่ว่าพวกเขาคิดอย่างไรเกี่ยวกับธุรกิจ ลูกค้า และชุมชนของพวกเขา

สมมติฐานและความคาดหวังที่เป็นแกนหลักของผลิตภัณฑ์ โปรแกรม และกลยุทธ์ที่มีอยู่ทั้งหมดได้รับการประเมินใหม่

ถึงเวลาแล้วที่บริษัทต่างๆ จะต้องพิจารณาเครื่องมือ AI และแมชชีนเลิร์นนิงที่มีอยู่และในอนาคตด้วยสายตาที่สดใหม่และครอบคลุม

เมื่อก่อนเป็นทางเลือก แต่ตอนนี้ เป็นที่คาดหวังและบริษัทที่ไม่มีวิวัฒนาการจะถูกทอดทิ้งโดยผู้บริโภคที่เพิ่มความคาดหวังของตนอย่างไม่สามารถย้อนกลับได้

ขอบคุณ Vidya!

ต้องการนำโซลูชัน AI/ML ของคุณไปสู่อีกระดับหรือไม่ ติดต่อกับ TechSpeed ​​ทาง [email protected] หรือโทร 503-291-0027