1661930940

Cách Tạo Mô Hình AI Dành Riêng Cho Miền

Việc triển khai AI chung quy mô lớn đóng vai trò như những khối xây dựng tuyệt vời để giải quyết một số vấn đề B2B nhất định và hầu hết các tổ chức đã hoặc đang trong quá trình tận dụng chúng. Tuy nhiên, mong muốn có được RoI ngay lập tức, tạo ra các nguyên mẫu nhanh không thành công và mang lại kết quả tập trung vào quyết định đang thúc đẩy nhu cầu về các sáng kiến AI cho miền cụ thể.

Các trường hợp sử dụng và chuyên môn về chủ đề trợ giúp, nhưng các nhà khoa học và phân tích dữ liệu cần phải điều chỉnh chu trình triển khai AI để giải quyết các vấn đề đòi hỏi tính cụ thể và phù hợp hơn. Rào cản lớn nhất mà bất kỳ ai cũng gặp phải khi xây dựng các mô hình AI như vậy là tìm kiếm dữ liệu chất lượng, dành riêng cho từng miền. Dưới đây là một số phương pháp và kỹ thuật tốt nhất để thích ứng với mô hình miền cụ thể đã hiệu quả với chúng tôi nhiều lần.

Vấn đề dữ liệu, nhưng liệu có?

Bắt đầu bằng cách khai thác tổ chức của bạn để khám phá càng nhiều nội dung dữ liệu miền cụ thể có liên quan càng tốt. Nếu đó là vấn đề liên quan trực tiếp đến doanh nghiệp và ngành của bạn, bạn có thể có tài sản dữ liệu chưa được khai thác mà việc triển khai của bạn có thể tận dụng. Trong trường hợp không chắc chắn rằng bạn không có đủ tài sản dữ liệu, tất cả hy vọng sẽ không bị mất. Có nhiều chiến lược và phương pháp luận để giúp tạo hoặc nâng cao các tập dữ liệu cụ thể, bao gồm học tập tích cực, học tập chuyển giao, tự đào tạo để cải thiện đào tạo trước và tăng cường dữ liệu. Một số được trình bày chi tiết bên dưới.

Học tập tích cực

Học tập tích cực là một loại học tập bán giám sát với Chiến lược truy vấn để chọn các trường hợp cụ thể mà nó muốn học từ đó. Việc sử dụng các chuyên gia miền với cơ chế liên tục để gắn nhãn các phiên bản đã chọn như vậy sẽ giúp tinh chỉnh quy trình hướng tới các kết quả có ý nghĩa trong một tiến trình nhanh hơn nhiều. Ngoài ra, học tập tích cực yêu cầu lượng dữ liệu được gắn nhãn nhỏ hơn, do đó giảm chi phí chú thích thủ công trong khi vẫn đạt được mức độ chính xác cao hơn.

Dưới đây là một số mẹo để giúp đạt được hiệu quả học tập tích cực với dữ liệu hạn chế:

Trước tiên, hãy chia tập dữ liệu của bạn thành dữ liệu gốc và dữ liệu không được gắn nhãn.
Dán nhãn hạt giống và sử dụng nó để đào tạo người học mô hình.
Dựa trên chức năng truy vấn, chọn từ dữ liệu không có chú thích (các) phiên bản cho chú thích của con người (bước quan trọng nhất). Chiến lược truy vấn có thể dựa trên lấy mẫu không chắc chắn (ví dụ: độ tin cậy thấp nhất, lấy mẫu lề hoặc entropy), truy vấn theo từng ủy ban (ví dụ, entropy phiếu bầu, phân kỳ Kullback-Leibler trung bình), v.v.
Thêm dữ liệu mới được chú thích vào tập dữ liệu gốc và đào tạo lại mô hình người học.
Lặp lại hai bước trước đó cho đến khi đạt đến tiêu chí dừng, ví dụ: số lượng phiên bản được truy vấn, số lần lặp lại hoặc cải thiện hiệu suất.

Chuyển giao học tập

Phương pháp này tận dụng kiến thức từ miền nguồn để tìm hiểu kiến thức mới trên miền đích. Khái niệm này đã có từ lâu, nhưng trong vài năm trở lại đây, khi mọi người nói về Học chuyển giao, họ nói về mạng nơ-ron, có thể là do các trường hợp triển khai thành công ở đó.

Sử dụng ImageNet làm ví dụ, đây là một số bài học kinh nghiệm:

Sử dụng mạng đã được đào tạo trước làm công cụ trích xuất tính năng. Việc xác định lớp nào để xuất các tính năng phụ thuộc vào việc dữ liệu của bạn giống hay khác với tập dữ liệu đào tạo cơ sở. Sự khác biệt sẽ xác định chiến lược của bạn, như được nêu trong các điểm sau.
Nếu miền khác, chỉ sử dụng các tính năng cấp thấp hơn của mạng nơ-ron. Các tính năng có thể được xuất và đóng vai trò là đầu vào cho trình phân loại của bạn.
Nếu miền tương tự, hãy xóa lớp cuối cùng của mạng nơ-ron và sử dụng toàn bộ mạng còn lại làm trình trích xuất tính năng. Hoặc thay thế lớp cuối cùng bằng một lớp mới phù hợp với số lớp của tập dữ liệu đích.
Hãy thử mở một vài lớp cuối cùng của mạng cơ sở và tiến hành tinh chỉnh ở tốc độ học tập thấp (ví dụ: 1e-5). Miền đích và miền nguồn càng gần nhau thì số lớp cần tinh chỉnh càng ít.

Tự đào tạo để cải thiện đào tạo trước

Sự kết hợp này cung cấp một phương pháp tiềm năng để tận dụng tối đa dữ liệu được gắn nhãn hạn chế từ các tác vụ hạ lưu. Nó cũng có thể giúp tận dụng tốt nhất khối lượng lớn dữ liệu không được gắn nhãn dễ dàng có sẵn. Đây là cách nó làm việc.

Tinh chỉnh mô hình được đào tạo trước (ví dụ: RoBERTa-Large) với dữ liệu được gắn nhãn của nhiệm vụ hạ lưu được nhắm mục tiêu và sử dụng mô hình đã tinh chỉnh làm giáo viên.
Trích xuất từ dữ liệu cụ thể cho nhiệm vụ của tập dữ liệu không được gắn nhãn bằng cách sử dụng nhúng truy vấn và chọn các vùng lân cận gần nhất từ tập dữ liệu.
Sử dụng mô hình giáo viên để chú thích dữ liệu trong miền được truy xuất trong dấu đầu dòng 2 và chọn k mẫu hàng đầu từ mỗi lớp có điểm cao nhất.
Sử dụng dữ liệu giả được tạo ở Bước 3 để tinh chỉnh RoBERTa-Large mới và cung cấp mô hình sinh viên.

Tăng cường dữ liệu

Tăng cường dữ liệu bao gồm một tập hợp các kỹ thuật hiệu quả, chi phí thấp để tạo ra các điểm dữ liệu mới từ dữ liệu hiện có. Dấu đầu dòng 2 trong phần trước về tự đào tạo cũng đề cập đến việc tăng dữ liệu, điều này rất quan trọng cho toàn bộ bài tập.

Các kỹ thuật khác cho ứng dụng NLP bao gồm dịch ngược, thay thế từ đồng nghĩa, chèn / hoán đổi / xóa ngẫu nhiên, v.v. Đối với thị giác máy tính, các phương pháp chính bao gồm cắt, lật, phóng to, xoay, chèn nhiễu, thay đổi độ sáng / độ tương phản / độ bão hòa và GAN ( mạng đối nghịch chung).

Việc xác định phương pháp luận nào để sử dụng phụ thuộc vào trường hợp sử dụng của bạn, chất lượng tập dữ liệu ban đầu, doanh nghiệp vừa và nhỏ tại chỗ và đầu tư sẵn có.

5 mẹo bổ sung để giúp cải thiện AI theo miền cụ thể

Bạn sẽ thấy cần phải tiếp tục tinh chỉnh AI dành riêng cho miền của mình. Dưới đây là một số bài học mà chúng tôi đã học được từ kinh nghiệm của mình khi tùy chỉnh triển khai để đáp ứng các trường hợp sử dụng cụ thể.

Tiến hành thăm dò dữ liệu thích hợp để kiểm tra các vấn đề về chất lượng và số lượng với dữ liệu trước khi bắt đầu bằng chứng về khái niệm (POC) của bạn. Hiểu liệu dữ liệu có tuân thủ các tình huống ứng dụng thực tế hay không (ví dụ: các tác vụ hạ lưu, như NER, Trích yếu quan hệ, QA, v.v.), các biến thể và phân phối cũng như mức độ chính xác của nó. Đối với các biến thể và phân phối với vấn đề phân loại - cấu trúc của phân loại, số lượng các lớp ở mỗi cấp, lượng dữ liệu thuộc mỗi lớp, cân bằng và không cân bằng, v.v. - tất cả đều quan trọng. Những gì bạn tìm thấy sẽ tác động đến cách tiếp cận xử lý dữ liệu và lựa chọn phương pháp luận của bạn để cải thiện hiệu suất mô hình theo miền cụ thể.
Chọn các thuật toán / mô hình thích hợp dựa trên trường hợp sử dụng và đặc điểm dữ liệu của bạn. Xem xét các yếu tố như tốc độ, độ chính xác và triển khai. Sự cân bằng của các yếu tố này rất quan trọng, vì chúng quyết định liệu sự phát triển của bạn có thể dừng lại ở giai đoạn POC hay có tiềm năng ứng dụng và sản xuất thực sự hay không.
Ví dụ: nếu mô hình của bạn cuối cùng sẽ được triển khai ở rìa, thì các mô hình lớn - mặc dù chúng có thể có độ chính xác dự đoán cao hơn - không nên được chọn. Việc các thiết bị cạnh chạy các mô hình như vậy là không thực tế, dựa trên sức mạnh tính toán của chúng.
Bắt đầu mọi sự phát triển / thích ứng miền với một mô hình cơ sở mạnh mẽ. Hãy xem xét AutoML để nhanh chóng kiểm tra sự phù hợp của các thuật toán đối với tập dữ liệu miền cụ thể, sau đó tối ưu hóa dựa trên các quan sát.
Xử lý trước dữ liệu là một phần thiết yếu của bất kỳ dự án NLP nào. Các bước thực hiện phải được xác định theo từng trường hợp cụ thể do các yêu cầu của miền cụ thể và các phương pháp và mô hình làm lông đã chọn của chúng. Các đường ống chung có thể không cho kết quả tốt nhất.
Ví dụ, một số bước như loại bỏ các từ dừng / dấu chấm câu và lemmatizing có thể không phải lúc nào cũng cần thiết đối với các mô hình học sâu. Chúng có thể gây mất ngữ cảnh; tuy nhiên, chúng có thể hữu ích nếu bạn đang sử dụng TF-IDF và các mô hình học máy. Mô-đun hóa đường ống để một số bước phổ biến có thể được sử dụng lại trong khi tùy chỉnh để đáp ứng nhu cầu của ca sử dụng.
Tận dụng các mô hình ngôn ngữ được đào tạo trước dành riêng cho miền mã nguồn mở nếu chúng có sẵn. Một số mô hình nổi tiếng là SciBERT, BioBERT, ClinicalBERT, PatentBERT và FinBERT. Các mô hình được đào tạo trước dành riêng cho miền cụ thể này có thể giúp đạt được trình bày tốt hơn và nhúng theo ngữ cảnh cho các tác vụ hạ lưu. Trong trường hợp các mô hình này không khả dụng cho miền của bạn, nhưng bạn có đủ tài nguyên tính toán, hãy xem xét đào tạo mô hình được đào tạo trước của riêng bạn bằng cách sử dụng dữ liệu không chú thích chất lượng cao trong miền.
Cân nhắc kết hợp các quy tắc và từ vựng theo miền cụ thể. Đối với một số tình huống nhất định, chúng cung cấp kết quả hiệu quả và chính xác hơn và tránh các vấn đề lặp lại mô hình. Việc tạo ra những từ vựng như vậy và xác định các quy tắc có thể đòi hỏi nỗ lực đáng kể và kiến thức chuyên môn về lĩnh vực, những điều này cần được cân bằng.

Bản tóm tắt

Việc phân tích AI để đáp ứng các nhu cầu và thách thức theo miền cụ thể đòi hỏi tính kỷ luật xuyên suốt, không chỉ về phương pháp tiếp cận và nguồn lực. Tin tốt là các công ty ngày càng quan tâm đến các giải pháp giải quyết các thách thức cụ thể và giải quyết chúng, từ đó tạo ra các phương pháp hay nhất cho các nhà khoa học dữ liệu và nhà phát triển AI tìm cách cung cấp ROI nhanh hơn cho các ứng dụng của họ.

Nguồn: https://www.kdnuggets.com

#AI #artificial-intelligence

What is GEEK

Buddha Community

Duyen Hoang

1661930940

Cách Tạo Mô Hình AI Dành Riêng Cho Miền

Việc triển khai AI chung quy mô lớn đóng vai trò như những khối xây dựng tuyệt vời để giải quyết một số vấn đề B2B nhất định và hầu hết các tổ chức đã hoặc đang trong quá trình tận dụng chúng. Tuy nhiên, mong muốn có được RoI ngay lập tức, tạo ra các nguyên mẫu nhanh không thành công và mang lại kết quả tập trung vào quyết định đang thúc đẩy nhu cầu về các sáng kiến AI cho miền cụ thể.

Các trường hợp sử dụng và chuyên môn về chủ đề trợ giúp, nhưng các nhà khoa học và phân tích dữ liệu cần phải điều chỉnh chu trình triển khai AI để giải quyết các vấn đề đòi hỏi tính cụ thể và phù hợp hơn. Rào cản lớn nhất mà bất kỳ ai cũng gặp phải khi xây dựng các mô hình AI như vậy là tìm kiếm dữ liệu chất lượng, dành riêng cho từng miền. Dưới đây là một số phương pháp và kỹ thuật tốt nhất để thích ứng với mô hình miền cụ thể đã hiệu quả với chúng tôi nhiều lần.

Vấn đề dữ liệu, nhưng liệu có?

Bắt đầu bằng cách khai thác tổ chức của bạn để khám phá càng nhiều nội dung dữ liệu miền cụ thể có liên quan càng tốt. Nếu đó là vấn đề liên quan trực tiếp đến doanh nghiệp và ngành của bạn, bạn có thể có tài sản dữ liệu chưa được khai thác mà việc triển khai của bạn có thể tận dụng. Trong trường hợp không chắc chắn rằng bạn không có đủ tài sản dữ liệu, tất cả hy vọng sẽ không bị mất. Có nhiều chiến lược và phương pháp luận để giúp tạo hoặc nâng cao các tập dữ liệu cụ thể, bao gồm học tập tích cực, học tập chuyển giao, tự đào tạo để cải thiện đào tạo trước và tăng cường dữ liệu. Một số được trình bày chi tiết bên dưới.

Học tập tích cực

Học tập tích cực là một loại học tập bán giám sát với Chiến lược truy vấn để chọn các trường hợp cụ thể mà nó muốn học từ đó. Việc sử dụng các chuyên gia miền với cơ chế liên tục để gắn nhãn các phiên bản đã chọn như vậy sẽ giúp tinh chỉnh quy trình hướng tới các kết quả có ý nghĩa trong một tiến trình nhanh hơn nhiều. Ngoài ra, học tập tích cực yêu cầu lượng dữ liệu được gắn nhãn nhỏ hơn, do đó giảm chi phí chú thích thủ công trong khi vẫn đạt được mức độ chính xác cao hơn.

Dưới đây là một số mẹo để giúp đạt được hiệu quả học tập tích cực với dữ liệu hạn chế:

Trước tiên, hãy chia tập dữ liệu của bạn thành dữ liệu gốc và dữ liệu không được gắn nhãn.
Dán nhãn hạt giống và sử dụng nó để đào tạo người học mô hình.
Dựa trên chức năng truy vấn, chọn từ dữ liệu không có chú thích (các) phiên bản cho chú thích của con người (bước quan trọng nhất). Chiến lược truy vấn có thể dựa trên lấy mẫu không chắc chắn (ví dụ: độ tin cậy thấp nhất, lấy mẫu lề hoặc entropy), truy vấn theo từng ủy ban (ví dụ, entropy phiếu bầu, phân kỳ Kullback-Leibler trung bình), v.v.
Thêm dữ liệu mới được chú thích vào tập dữ liệu gốc và đào tạo lại mô hình người học.
Lặp lại hai bước trước đó cho đến khi đạt đến tiêu chí dừng, ví dụ: số lượng phiên bản được truy vấn, số lần lặp lại hoặc cải thiện hiệu suất.

Chuyển giao học tập

Phương pháp này tận dụng kiến thức từ miền nguồn để tìm hiểu kiến thức mới trên miền đích. Khái niệm này đã có từ lâu, nhưng trong vài năm trở lại đây, khi mọi người nói về Học chuyển giao, họ nói về mạng nơ-ron, có thể là do các trường hợp triển khai thành công ở đó.

Sử dụng ImageNet làm ví dụ, đây là một số bài học kinh nghiệm:

Sử dụng mạng đã được đào tạo trước làm công cụ trích xuất tính năng. Việc xác định lớp nào để xuất các tính năng phụ thuộc vào việc dữ liệu của bạn giống hay khác với tập dữ liệu đào tạo cơ sở. Sự khác biệt sẽ xác định chiến lược của bạn, như được nêu trong các điểm sau.
Nếu miền khác, chỉ sử dụng các tính năng cấp thấp hơn của mạng nơ-ron. Các tính năng có thể được xuất và đóng vai trò là đầu vào cho trình phân loại của bạn.
Nếu miền tương tự, hãy xóa lớp cuối cùng của mạng nơ-ron và sử dụng toàn bộ mạng còn lại làm trình trích xuất tính năng. Hoặc thay thế lớp cuối cùng bằng một lớp mới phù hợp với số lớp của tập dữ liệu đích.
Hãy thử mở một vài lớp cuối cùng của mạng cơ sở và tiến hành tinh chỉnh ở tốc độ học tập thấp (ví dụ: 1e-5). Miền đích và miền nguồn càng gần nhau thì số lớp cần tinh chỉnh càng ít.

Tự đào tạo để cải thiện đào tạo trước

Sự kết hợp này cung cấp một phương pháp tiềm năng để tận dụng tối đa dữ liệu được gắn nhãn hạn chế từ các tác vụ hạ lưu. Nó cũng có thể giúp tận dụng tốt nhất khối lượng lớn dữ liệu không được gắn nhãn dễ dàng có sẵn. Đây là cách nó làm việc.

Tinh chỉnh mô hình được đào tạo trước (ví dụ: RoBERTa-Large) với dữ liệu được gắn nhãn của nhiệm vụ hạ lưu được nhắm mục tiêu và sử dụng mô hình đã tinh chỉnh làm giáo viên.
Trích xuất từ dữ liệu cụ thể cho nhiệm vụ của tập dữ liệu không được gắn nhãn bằng cách sử dụng nhúng truy vấn và chọn các vùng lân cận gần nhất từ tập dữ liệu.
Sử dụng mô hình giáo viên để chú thích dữ liệu trong miền được truy xuất trong dấu đầu dòng 2 và chọn k mẫu hàng đầu từ mỗi lớp có điểm cao nhất.
Sử dụng dữ liệu giả được tạo ở Bước 3 để tinh chỉnh RoBERTa-Large mới và cung cấp mô hình sinh viên.

Tăng cường dữ liệu

Tăng cường dữ liệu bao gồm một tập hợp các kỹ thuật hiệu quả, chi phí thấp để tạo ra các điểm dữ liệu mới từ dữ liệu hiện có. Dấu đầu dòng 2 trong phần trước về tự đào tạo cũng đề cập đến việc tăng dữ liệu, điều này rất quan trọng cho toàn bộ bài tập.

Các kỹ thuật khác cho ứng dụng NLP bao gồm dịch ngược, thay thế từ đồng nghĩa, chèn / hoán đổi / xóa ngẫu nhiên, v.v. Đối với thị giác máy tính, các phương pháp chính bao gồm cắt, lật, phóng to, xoay, chèn nhiễu, thay đổi độ sáng / độ tương phản / độ bão hòa và GAN ( mạng đối nghịch chung).

Việc xác định phương pháp luận nào để sử dụng phụ thuộc vào trường hợp sử dụng của bạn, chất lượng tập dữ liệu ban đầu, doanh nghiệp vừa và nhỏ tại chỗ và đầu tư sẵn có.

5 mẹo bổ sung để giúp cải thiện AI theo miền cụ thể

Bạn sẽ thấy cần phải tiếp tục tinh chỉnh AI dành riêng cho miền của mình. Dưới đây là một số bài học mà chúng tôi đã học được từ kinh nghiệm của mình khi tùy chỉnh triển khai để đáp ứng các trường hợp sử dụng cụ thể.

Tiến hành thăm dò dữ liệu thích hợp để kiểm tra các vấn đề về chất lượng và số lượng với dữ liệu trước khi bắt đầu bằng chứng về khái niệm (POC) của bạn. Hiểu liệu dữ liệu có tuân thủ các tình huống ứng dụng thực tế hay không (ví dụ: các tác vụ hạ lưu, như NER, Trích yếu quan hệ, QA, v.v.), các biến thể và phân phối cũng như mức độ chính xác của nó. Đối với các biến thể và phân phối với vấn đề phân loại - cấu trúc của phân loại, số lượng các lớp ở mỗi cấp, lượng dữ liệu thuộc mỗi lớp, cân bằng và không cân bằng, v.v. - tất cả đều quan trọng. Những gì bạn tìm thấy sẽ tác động đến cách tiếp cận xử lý dữ liệu và lựa chọn phương pháp luận của bạn để cải thiện hiệu suất mô hình theo miền cụ thể.
Chọn các thuật toán / mô hình thích hợp dựa trên trường hợp sử dụng và đặc điểm dữ liệu của bạn. Xem xét các yếu tố như tốc độ, độ chính xác và triển khai. Sự cân bằng của các yếu tố này rất quan trọng, vì chúng quyết định liệu sự phát triển của bạn có thể dừng lại ở giai đoạn POC hay có tiềm năng ứng dụng và sản xuất thực sự hay không.
Ví dụ: nếu mô hình của bạn cuối cùng sẽ được triển khai ở rìa, thì các mô hình lớn - mặc dù chúng có thể có độ chính xác dự đoán cao hơn - không nên được chọn. Việc các thiết bị cạnh chạy các mô hình như vậy là không thực tế, dựa trên sức mạnh tính toán của chúng.
Bắt đầu mọi sự phát triển / thích ứng miền với một mô hình cơ sở mạnh mẽ. Hãy xem xét AutoML để nhanh chóng kiểm tra sự phù hợp của các thuật toán đối với tập dữ liệu miền cụ thể, sau đó tối ưu hóa dựa trên các quan sát.
Xử lý trước dữ liệu là một phần thiết yếu của bất kỳ dự án NLP nào. Các bước thực hiện phải được xác định theo từng trường hợp cụ thể do các yêu cầu của miền cụ thể và các phương pháp và mô hình làm lông đã chọn của chúng. Các đường ống chung có thể không cho kết quả tốt nhất.
Ví dụ, một số bước như loại bỏ các từ dừng / dấu chấm câu và lemmatizing có thể không phải lúc nào cũng cần thiết đối với các mô hình học sâu. Chúng có thể gây mất ngữ cảnh; tuy nhiên, chúng có thể hữu ích nếu bạn đang sử dụng TF-IDF và các mô hình học máy. Mô-đun hóa đường ống để một số bước phổ biến có thể được sử dụng lại trong khi tùy chỉnh để đáp ứng nhu cầu của ca sử dụng.
Tận dụng các mô hình ngôn ngữ được đào tạo trước dành riêng cho miền mã nguồn mở nếu chúng có sẵn. Một số mô hình nổi tiếng là SciBERT, BioBERT, ClinicalBERT, PatentBERT và FinBERT. Các mô hình được đào tạo trước dành riêng cho miền cụ thể này có thể giúp đạt được trình bày tốt hơn và nhúng theo ngữ cảnh cho các tác vụ hạ lưu. Trong trường hợp các mô hình này không khả dụng cho miền của bạn, nhưng bạn có đủ tài nguyên tính toán, hãy xem xét đào tạo mô hình được đào tạo trước của riêng bạn bằng cách sử dụng dữ liệu không chú thích chất lượng cao trong miền.
Cân nhắc kết hợp các quy tắc và từ vựng theo miền cụ thể. Đối với một số tình huống nhất định, chúng cung cấp kết quả hiệu quả và chính xác hơn và tránh các vấn đề lặp lại mô hình. Việc tạo ra những từ vựng như vậy và xác định các quy tắc có thể đòi hỏi nỗ lực đáng kể và kiến thức chuyên môn về lĩnh vực, những điều này cần được cân bằng.

Bản tóm tắt

Việc phân tích AI để đáp ứng các nhu cầu và thách thức theo miền cụ thể đòi hỏi tính kỷ luật xuyên suốt, không chỉ về phương pháp tiếp cận và nguồn lực. Tin tốt là các công ty ngày càng quan tâm đến các giải pháp giải quyết các thách thức cụ thể và giải quyết chúng, từ đó tạo ra các phương pháp hay nhất cho các nhà khoa học dữ liệu và nhà phát triển AI tìm cách cung cấp ROI nhanh hơn cho các ứng dụng của họ.

Nguồn: https://www.kdnuggets.com

#AI #artificial-intelligence

Otho Hagenes

1619511840

Making Sales More Efficient: Lead Qualification Using AI

If you were to ask any organization today, you would learn that they are all becoming reliant on Artificial Intelligence Solutions and using AI to digitally transform in order to bring their organizations into the new age. AI is no longer a new concept, instead, with the technological advancements that are being made in the realm of AI, it has become a much-needed business facet.

AI has become easier to use and implement than ever before, and every business is applying AI solutions to their processes. Organizations have begun to base their digital transformation strategies around AI and the way in which they conduct their business. One of these business processes that AI has helped transform is lead qualifications.

#ai-solutions-development #artificial-intelligence #future-of-artificial-intellige #ai #ai-applications #ai-trends #future-of-ai #ai-revolution

Murray Beatty

1598606037

This Week in AI | Rubik's Code

Every week we bring to you the best AI research papers, articles and videos that we have found interesting, cool or simply weird that week.

#ai #this week in ai #ai application #ai news #artificaial inteligance #artificial intelligence #artificial neural networks #deep learning #machine learning #this week in ai

Zakary Schmeler

1595398860

This Week in AI - Issue #22 | Rubik's Code

Every week we bring to you the best AI research papers, articles and videos that we have found interesting, cool or simply weird that week.Have fun!

Research Papers

Articles

#ai #this week in ai #ai application #ai news #artificaial inteligance #artificial intelligence #artificial neural networks #deep learning #machine learning #this week in ai

George Koelpin

1602255900

Amsterdam And Helsinki Launch Open AI Registers

Amsterdam and Helsinki both launched an Open AI Register at the Next Generation Internet Summit. According to sources, these two cities are the first in the world that are aiming to be open and transparent about the use of algorithms and AI in the cities.

Currently, in the beta version, Algorithm Register is an overview of the artificial intelligence systems and algorithms used by the City of Amsterdam. The register is an effort to show where the cities are currently making use of AI and how the algorithms work.

Jan Vapaavuori, Mayor of Helsinki stated, “Helsinki aims to be the city in the world that best capitalises on digitalisation. Digitalisation is strongly associated with the utilisation of artificial intelligence. With the help of artificial intelligence, we can give people in the city better services available anywhere and at any time. In the front rank with the City of Amsterdam, we are proud to tell everyone openly what we use Artificial Intelligence for.”

#news #ai register #amsterdam ai #helsinki ai #open ai register #ai