人工智能的溃败

640?wx_fmt=gif

人工智能项目远非万无一失——事实上,超过一半的人工智能项目将无法达到预期的效果......

640?wx_fmt=jpeg

作者 | Ankit Rathi

译者 | 谭开朗,责编 | 郭芮

出品 | 优快云(ID:优快云news)

以下为译文:

在过去的几个月时间里,人工智能项目的数量显著增加。而大多数在公司从事人工智能项目的人也计划在接下来的一年中,进一步增加他们的人工智能计划。其中的许多计划都被寄予了很高的期望,但人工智能项目远非万无一失。事实上,专家预测称超过一半的人工智能项目将无法达到预期的效果。

失败的原因有很多,但某些显而易见的失误会造成人工智能项目的溃败。根据与不同组织AI从业者进行的讨论,并结合过去几个月的调查,我了解到,这些失误出现的概率很高。它们的一个共同点是:缺乏充分的战略和规划。

640?wx_fmt=png

DS/AI项目中的4类挑战

这些是人工智能项目所面临的最常见的挑战,不分先后顺序。

 

640?wx_fmt=png

文化的挑战

 

一个组织在进行人工智能项目时所面临的挑战大都是有关文化方面的。公司政治是能开展人工智能项目的主要原因之一,项目团队努力具备从功能到技术的多样化技能集。不同的部门和领导出于不同的目的,都在为人工智能计划保驾护航。

不同的人对数据领域有着不同的见解,因此数据素养也是一个重要的挑战。鉴于此,企业对人工智能计划抱有不切实际的期望也并不罕见。

因为人工智能资源是最昂贵的资源,而且其结果存在不确定性,这就让利益相关者参与进来也成为了一项挑战。组织成熟程度在运行数据密集型项目中也扮演着重要的角色。从事数据相关项目的组织和部门能够快速地主动地清除障碍。

人工智能计划的主要涉众是非技术性的。因此,演讲是一项重要技能,以此帮助这些涉众认识到人工智能计划的真正潜力。

如果我们能够在组织中积极地灌输数据文化,这些挑战是可以克服或解决的。

 

640?wx_fmt=png

业务的挑战

 

人工智能项目面临的另一个主要挑战是有关业务方面的。人才缺口是众所周知的挑战之一,而获取项目的相关数据可能是其又一大挑战。

很多时候,功能SME可能是一个障碍。功能SME是如此稀缺,以至于它们对项目的可用性可能是一个巨大的挑战。

人工智能是一个跨学科的领域,它的成功依赖于包括IT团队在内的许多不同团队之间的协作。即使你已经准备好了一个解决方案,但在客户端站点上部署或者客户希望的使用结果方式也可能非常具有挑战性。

当你有很多选择机会的时候,选择高ROI/CBA的就变得很重要。机会评估也应包括在人工智能业务框架内。否则,没有人会愿意处于这样的境地:在付出大量努力之后,我们发现自己正在做错误的事情。

数据安全也是应该包含在操作框架中的另一个内容,以避免项目后期出现问题。

由此可知,如果我们能为人工智能计划建立一个操作框架来规避这些问题,那么就可以避免许多挑战。

 

640?wx_fmt=png

数据的挑战

 

直到近期,业务才实现了数据的价值。因此,数据质量除了已成为监管要求的业务之外,它也是人工智能计划中经常出现的问题。事实上,各调查结果显示,数据质量是所有人工智能计划中最具挑战性的部分。

大多数情况下,获取到的数据并不是我们想要的格式,我们需要以一种对用例有用的方式来合并、转换和聚合数据。因此,数据整合也是人工智能人员需要应对的挑战之一。

在许多用例中,由于数据隐私问题,我们不能将数据应用在AI计划中。由于近期或即将出台的许多关于数据使用的法律法规(如GDPR),数据隐私也成为需要应对的主要挑战之一。

 

640?wx_fmt=png

技术的挑战

 

企业技术栈可能规模庞大且差异较大,特别是在没有IT管理的企业。由于人工智能项目需要与不同级别的典型IT项目集成,拥有不同的技术堆栈也可能是一个巨大的挑战。

另一个挑战是算法的局限性,人工智能没有灵丹妙药,每种方法都有其优缺点。我们需要在方差和偏差之间进行权衡。

模型可解释性是另一个需要应对的挑战领域,根据近期和即将出台的法规,人工智能可解释性变得越来越重要,但我们也需要在准确性和可解释性之间进行权衡。

 

640?wx_fmt=png

结论

 

作为一个新兴的、不断发展的领域,人工智能项目能否顺利完成充满了已知和未知的挑战。如果你打算从事人工智能项目,我建议你将上述挑战牢记在心,如果发现其中任何一个挑战是可应对的,就请积极地去解决它们吧。

我将在接下来的博客文章中详细阐述这些挑战和可能的解决方案,敬请关注。

 

原文:https://hackernoon.com/why-artificial-intelligence-projects-fail-zf16316x

作者:Ankit Rathi是一名人工智能建筑师、出版作家和著名演说家。他的主攻方向是:根据数据工程和架构的最佳实践,构建端到端人工智能应用程序/产品。

本文为 优快云 翻译,转载请注明来源出处。

【END】

牛了,这几个案例让你很快了解AI技术!

https://edu.youkuaiyun.com/topic/ai30?utm_source=csdn_bw

640?wx_fmt=jpeg

 

 热 文 推 荐 

 

华为发布麒麟 990 芯片;苹果召回部分电源插头转换器;KDevelop 5.4.2 发布 | 极客头条

高级软件工程师教会小白的那些事!

我如何在 16 岁成为全栈开发者?

2亿日活,日均千万级视频上传,快手推荐系统如何应对技术挑战?

Docker容器化部署Python应用

☞给面试官讲明白:一致性Hash的原理和实践

预警,CSW的50万枚尘封BTC即将重返市场?

☞她说:行!没事别嫁程序员!

640?wx_fmt=gif点击阅读原文,输入关键词,即可搜索您想要的 优快云 文章。

 

 

 

 

 

640?wx_fmt=png

你点的每个“在看”,我都认真当成了喜欢

【四轴飞行器】非线性三自由度四轴飞行器模拟器研究(Matlab代码实现)内容概要:本文围绕非线性三自由度四轴飞行器模拟器的研究展开,重点介绍了基于Matlab的建模与仿真方法。通过对四轴飞行器的动力学特性进行分析,构建了非线性状态空间模型,并实现了姿态与位置的动态模拟。研究涵盖了飞行器运动方程的建立、控制系统设计及数值仿真验证等环节,突出非线性系统的精确建模与仿真优势,有助于深入理解飞行器在复杂工况下的行为特征。此外,文中还提到了多种配套技术如PID控制、状态估计与路径规划等,展示了Matlab在航空航天仿真中的综合应用能力。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的高校学生、科研人员及从事无人机系统开发的工程技术人员,尤其适合研究生及以上层次的研究者。; 使用场景及目标:①用于四轴飞行器控制系统的设计与验证,支持算法快速原型开发;②作为教学工具帮助理解非线性动力学系统建模与仿真过程;③支撑科研项目中对飞行器姿态控制、轨迹跟踪等问题的深入研究; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注动力学建模与控制模块的实现细节,同时可延伸学习文档中提及的PID控制、状态估计等相关技术内容,以全面提系统仿真与分析能力。
### 生成对抗网络 (GAN) 失效原因分析 #### 数据集质量不足 如果训练数据集中存在噪声、偏差或样本量过少等问题,可能导致生成器无法学习到真实数据分布。这会使得生成图像的质量下降,甚至完全偏离目标特征[^1]。 #### 训练不稳定 由于判别器和生成器之间的博弈关系,在实际操作过程中容易出现梯度消失现象,即当一方变得非常强大时会使另一方难以更新参数从而陷入局部最优解;此外还有模式崩溃(mode collapse),指代多个不同输入却总是得到相似输出的情况发生,极大影响多样性与真实性。 #### 架构设计不合理 不恰当的选择神经网络结构也会造成性能瓶颈。例如对于某些特定任务而言可能需要更深更复杂的模型才能取得良好表现;而简单浅层架构则往往因为表达能力有限而导致欠拟合问题频发。 #### 超参数调整不当 超参数设置错误同样会影响最终成果的好坏程度。比如步长过大可能会使损失函数震荡剧烈而不收敛;反之太小又会造成优化过程极其缓慢以至于耗尽计算资源也无法达到预期效果。 --- 针对上述提到的各种挑战可以采取如下措施来改善: - **增强数据预处理**:通过清洗去除异常值并扩充高质量图片数量以提高泛化能力和稳定性; - **引入正则项或其他技术防止过度拟合并稳定训练流程** :如Wasserstein距离替代传统交叉熵作为衡量指标之一能够有效缓解部分难题;另外还可以尝试使用谱归一化(spectral normalization)等方法抑制权重增长幅度进而促进健康竞争态势形成。 - **探索新型框架改进原有算法缺陷** : BigGAN采用更大规模预训练ResNet变体显著提了视觉领域内多种评测标准得分;Style-based GANs系列工作借助自适应实例标准化(AdaIN)机制实现了风格迁移功能的同时也增强了可控性和灵活性 - **精细化调参策略**:基于贝叶斯优化原理自动搜索最佳配置组合而非依赖人工经验摸索试错效率低下且易遗漏潜在优质选项 ```python import torch.nn as nn class Generator(nn.Module): def __init__(self, input_dim=100, output_channels=3): super().__init__() self.main = nn.Sequential( # 定义生成器的具体层次... ) def train_gan(generator, discriminator, dataloader, epochs=50): criterion = ... # 使用合适的损失函数 for epoch in range(epochs): for i, data in enumerate(dataloader): # 更新D... optimizer_D.zero_grad() real_images = ... fake_images = generator(noise) loss_real = criterion(...) loss_fake = criterion(...) loss_D = (loss_real + loss_fake)/2. loss_D.backward(retain_graph=True) optimizer_D.step() # 更新G... optimizer_G.zero_grad() noise = ... generated_imgs = generator(noise) g_loss = criterion(... , ...) g_loss.backward() optimizer_G.step() ```
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

优快云资讯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值