Чуйте аудио версията на тази статия
Като ръководител на проекти вероятно сте участвали в редица ИТ проекти през цялата си кариера, обхващащи сложни монолитни структури до уеб приложенията на SaaS. С напредването на изкуствения интелект и машинното обучение обаче, новите проекти с различни изисквания и проблеми идват на хоризонта с бърза скорост.
С възхода на тези технологии става все по-малко „хубаво да имаш“ и вместо това е от съществено значение за техническите ръководители на проекти да имат здравословна връзка с тези концепции. Според Гартнер до 2020 г. AI ще генерира 2,3 милиона работни места, надвишавайки 1,8 милиона, които ще премахне - генерирайки бизнес стойност от 2,9 трилиона долара до 2021 г. Главният изпълнителен директор на Google стига дотам, че казва че „AI е едно от най-важните неща, върху които човечеството работи. Той е по-дълбок от [...] електричество или пожар. '
С приложения на изкуствения интелект вече нарушаващи индустриите вариращи от финанси до здравеопазване, техническите ръководители, които могат да се възползват от тази възможност, трябва да разберат как управлението на проектите на ИИ е различно и как те могат най-добре да се подготвят за променящия се пейзаж.
Теория
Какво означава всичко: AI срещу ML
Преди да влезете по-дълбоко, важно е да разберете добре какво всъщност е ИИ. С много различни термини, често използвани като взаимозаменяеми, нека първо се потопим в най-често срещаните определения.
Напредъкът на AI, машинното обучение и дълбокото обучение
Изкуствен интелект (AI)
AI е област на компютърните науки, посветена на решаването на проблеми, които иначе изискват човешка интелигентност - например разпознаване на модели, учене и обобщаване.
Този термин се използва през последните години за означаване на изкуствен общ интелект (AGI), който се отнася до самосъзнаващи се компютърни програми, способни на истинско познание. Въпреки това, повечето системи за изкуствен интелект в обозримо бъдеще ще бъдат това, което компютърните учени наричат „тесен изкуствен интелект“, което означава, че те ще бъдат проектирани да изпълняват една задача за познание наистина добре, вместо наистина да „мислят“ за себе си.
Машинно обучение (ML)
Машинно обучение е подмножество на изкуствения интелект, който използва статистически техники, за да даде на компютрите способността да се учат от данни, без да са изрично програмирани.
AI и ML се използват взаимозаменяемо от много компании през последните години поради успеха на някои методи за машинно обучение в областта на AI. За да бъде ясно, машинното обучение означава способността на програмата да уча , докато изкуственият интелект обхваща обучението заедно с други функции.
За да научите повече за невронните мрежи и задълбоченото обучение, вижте приложението в края на тази статия.
Важно разграничение: AI срещу стандартните алгоритми
Основен извод на AI е, че неговите алгоритми използват голямо количество данни, за да коригират вътрешната си структура, така че когато се представят нови данни, той да бъде категоризиран в съответствие с предходните данни. Това наричаме „учене“ от данните, вместо да работим съгласно инструкциите за категоризация, написани стриктно в кода.
интернет на нещата домакински уреди
Представете си, че искаме да напишем програма, която да различава автомобилите от камионите. В традиционния подход на програмиране бихме се опитали да напишем програма, която търси специфични, показателни характеристики, като по-големи колела или по-дълго тяло. Ще трябва да напишем код, конкретно определящ как изглеждат тези функции и къде трябва да бъдат намерени на снимка. Да напишете такава програма и да я накарате да работи надеждно е много трудно, вероятно да доведе както до фалшиви положителни, така и до фалшиви отрицателни точки, до степен, в която в крайна сметка може да не е използваема.
Тук алгоритмите за ИИ стават много полезни. След като AI алгоритъмът е обучен, можем да му покажем много примери и той коригира вътрешната си структура, за да започне да открива характеристики, свързани с успешната класификация на картините, вместо да разчита на статични, предписани дефиниции на характеристики.
AI Управление на проекти на практика
Данните са крал
Хората не могат да се справят с големи обеми данни, а огромният обем данни, който ни е на разположение, понякога ни пречи да ги използваме директно. Тук влизат системите за ИИ.
Много основна концепция по отношение на системите за изкуствен интелект е, че техните прогнози са толкова добри, колкото техните данни. Например алгоритъм с милион точки от данни ще надмине същия алгоритъм с 10 000 точки от данни. Освен това, BCG съобщава, че „Много компании не разбират значението на данните и обучението за успеха на ИИ. Често по-добрите данни са по-важни за изграждането на интелигентна система, отколкото са по-голите алгоритми, както възпитанието често надвишава природата у хората. '
С тези знания в тегленето, подготовката и почистването на данни е нещо, което ще стане по-разпространено в процеса на проектиране. Тази стъпка често е най-трудоемката част от изграждането на система за изкуствен интелект, тъй като повечето фирми нямат готови данни в правилните формати - следователно може да отнеме известно време на анализаторите на данни, за да завършат тази съществена стъпка.
Освен това настройките на инфраструктурата за данни и задачите за почистване на данни са много по-линейни от обичайното разработване на софтуер и може да изискват различна методология за управление на проекти.
За да обобщим, може да отнеме много повече време, за да се изгради правилната инфраструктура за данни и да се подготвят данните, които да се използват, отколкото да се изгради моделът на машинно обучение за стартиране на данните. Това е голямо съображение за ръководителите на проекти, тъй като те управляват екипи и мислят за обхвата на изкуствения интелект и оценките на проекта.
Освен това наборът от данни трябва непрекъснато да се актуализира с новите данни. Достъпът до уникални набори от данни може да бъде основният решаващ фактор, определящ кой ML продукт е най-успешен. Изключително важно е да бъдете в течение на това, за да постигнете възможно най-доброто представяне за вашия ML проект, дори след стартирането.
Жизненият цикъл на AI развитие
Повечето от вас ще са запознати със стандартния жизнен цикъл на разработка на системи (SDLC), както и с това как различните методологии и технологии го оформят. Важно е да се отбележи, че развитието на ИИ ще доведе до нов набор от предизвикателства в областта. Можем да разделим жизнения цикъл на разработката на AI на тези стъпки: идеи и откриване на данни, приоритизиране на MVP и разработване на MVP в пълноценни продукти.
Идея и откриване на данни
На този първи етап акцентът трябва да бъде върху две ключови неща: крайният потребител на продукта ML и кои пулове от данни са налични.
Като подхождат към проблема от две независими страни, тези техники могат да помогнат на ръководителя на проекта бързо да стесни възможностите за ML продукти, налични в рамките на една компания. По време на тази фаза най-добрите ръководители могат да се възползват от знанията си за пространството за машинно обучение, за да разберат по-добре трудността, до която могат да бъдат решени определени проблеми. Нещата се развиват много бързо в областта на ML и някои трудни проблеми могат да бъдат много по-лесни чрез ново развитие в научните изследвания.
Както вече споменахме, след като данните бъдат открити, те трябва да бъдат почистени и подготвени. Тази конкретна задача обикновено се извършва на линейни стъпки, които не се вписват добре в типични методологии на проекта като Agile или Waterfall, въпреки че мога да бъдат принудени да правят спринтове. Обикновено почистването на данните се извършва итеративно, като постепенно се увеличава размерът на наборите данни и се подготвят паралелно с други усилия за развитие.
Приоритизиране на минимално жизнеспособния продукт (MVP)
Истината, че е по-добре да имате работещ прототип на по-малък продукт, а не на недовършен голям, все още стои тук с продукти за машинно обучение. Новите ML MVP трябва да бъдат приоритетни въз основа на скоростта на доставка и тяхната стойност за компанията. Ако можете да доставяте продукти, дори тези, които може да са по-малки, със скорост, това може да бъде добра, бърза печалба за целия екип - първо трябва да дадете приоритет на тези продукти.
Подготовката на тези MVP по класически Agile начин е добра идея и екипът за разработка трябва да се съсредоточи върху предоставянето на ML модели, базирани на непрекъснато подобряващите се набори от данни, изготвени независимо от екипа за данни. Тук важно разграничение е това екипът за данни не е задължително да работи чрез същата структура на Sprint като екипа, изграждащ MVP .
MVP към пълноправен продукт
Тази стъпка е мястото, където инфраструктурата за данни става ключова. Ако вашият ML продукт изисква високочестотен API достъп от цял свят, тогава трябва да помислите как можете да увеличите инфраструктурата, за да поддържате ML продукта.
Това е мястото, където промените в модулите ML трябва да бъдат внимателно оценени, за да се избегне нарушаване на ефективността на текущия продукт. Преквалификацията на модулите ML с нови алгоритми или набори от данни не винаги води до линейно повишаване на производителността - следователно се изисква значително количество тестване преди внедряването на живо. Тестване на ML модул за крайни случаи и потенциални атаки на генеративна състезателна мрежа (GAN) все още са в ранна детска възраст, но определено е нещо, което мениджърите на проекти трябва да имат предвид, когато пускат жив ML продукт.
Ключови роли в AI развитие Кръговат на живота
Натоварените с данни изисквания за разработване на приложения за ML внасят нови роли в SDLC на продуктите с изкуствен интелект. За да бъдете чудесен мениджър на проекти в областта на ML приложенията, трябва да сте добре запознати със следните три роли: изследователи на данни, инженери на данни и инженери по инфраструктура. Въпреки че понякога са прикрити под други заглавия, включително инженери за машинно обучение, инженери по инфраструктура за машинно обучение или учени за машинно обучение, важно е да имаме солидно разбиране за тези основни позиции и тяхното въздействие върху процеса на разработване на ML.
Data Scientist
Учените по данни са хората, които изграждат модели за машинно обучение. Те синтезират идеи въз основа на дълбокото разбиране на приложната статистика, машинно обучение и анализи и след това прилагат своите прозрения за решаване на реални бизнес проблеми.
Изследователите на данни понякога се възприемат като усъвършенствани версии на анализаторите на данни. Учените по данни обаче обикновено имат силни умения за програмиране, комфортно обработват големи количества данни, които се простират в центровете за данни, и имат опит в машинното обучение.
От тях се очаква също така да разбират добре инфраструктурите за данни и извличането на големи данни, както и да могат да извършват самостоятелно изследователски упражнения, като разглеждат данните и намират, за да намерят първоначални улики и прозрения в тях.
Основни умения: Python, R, Scala, Apache Spark, Hadoop, Machine Learning, Deep Learning, Statistics, Data Science, Jupyter, RStudio
Инженер по данни
Данните инженери са софтуерни инженери, които се специализират в изграждането на софтуер и инфраструктура, необходими за работата на продуктите ML. Те са склонни да се фокусират върху всеобхватната архитектура и макар да не са експерти по машинно обучение, анализи или големи данни, те би трябвало да разбират добре тези теми, за да тестват своя софтуер и инфраструктура. Това е необходимо, за да се даде възможност на моделите за машинно обучение, създадени от учения за данни, да бъдат успешно внедрени и изложени на реалния свят.
Основни умения: Python, Hadoop, MapReduce, Hive, Pig, Streaming на данни, NoSQL, SQL, програмиране, DashDB, MySQL, MongoDB, Cassandra
Инженер по инфраструктура
Инфраструктурните инженери се грижат за гръбнака на продуктите на ML: инфраструктурният слой. Въпреки че инженерите на данни могат да изградят част от тази инфраструктура, тя често се изгражда върху слоя, подготвен и съгласуван от екипа за инфраструктура.
Инженерите на инфраструктурата могат да работят в множество екипи за ML, с цел създаване на мащабируема и ефективна среда, в която приложенията за ML могат да се мащабират, за да обслужват милиони потребители. Инфраструктурните инженери не само се грижат за софтуерното ниво на платформите, но и се координират с партньорите в центъра за данни, за да гарантират, че всичко работи гладко, от географското местоположение на хостваните данни до хардуера. С тези аспекти, които придобиват все по-голямо значение за проектите за ML, инфраструктурните инженери стават все по-важни в компаниите, управлявани от AI.
Основни умения: Kubernetes, Mesos, EKS, GKE, Hadoop, Spark, HDFS, CEPH, AWS, облачни изчисления, операции с центрове за данни, изчислителна инфраструктура от край до край, ИТ инфраструктура, управление на услуги
Общи предизвикателства днес
С появата на продукти, базирани на AI и ML, се очаква ръководителите на проекти да се сблъскат както с познати, така и с напълно чужди предизвикателства. Най-добрите премиери са наясно с тези потенциални проблеми през целия процес, от обхвата на проектите до завършването.
Проверка на реалността
Въпреки популярността и обещанието на AI, има голяма вероятност проблемът, който се опитвате да разрешите, да не изисква сложно решение за ИИ .
Много проблеми с прогнозирането могат да бъдат решени с помощта на по-прости и в някои случаи по-надеждни статистически модели на регресия. Много е важно за премиера да направи проверка на здравословното състояние, преди да започне проект, за да се гарантира, че проблемът наистина изисква машинно обучение.
Понякога е разумно да започнете с по-опростен статистически модел и да се движите паралелно с решение, основано на машинно обучение. Например, ако изграждате механизъм за препоръки, би било разумно да започнете с по-просто решение с по-бърз жизнен цикъл на разработка, като осигурите добра базова линия, която следващият модел на ML трябва да превъзхожда.
AI Scope Creep
Най-честите причини за пълзене на обхвата в проектите за ML са свързани с опитвайки се да правите твърде много неща наведнъж и подценявайки усилията, необходими за подготовка на данните .
За да се справите с първия проблем, управлявайте заинтересованите страни, за да разберат, че е по-добре да започнете с бързи печалби, а не с грандиозни планове. Комуникирайте този подход непрекъснато по време на проекта, докато изграждате и тествате.
Започнете с малки, атомни характеристики, които могат лесно да бъдат дефинирани и тествани. Ако се окажете със сложна задача, опитайте се да я разделите на по-прости задачи, които са добри прокси за вашата основна задача. Би трябвало да е лесно да се съобщава какво целят тези задачи.
Например, ако се опитвате да предскажете кога потребителят ще кликне върху конкретна реклама, можете първо да опитате да предскажете дали потребителят я отхвърля изцяло. При този подход проблемът е опростен и може да бъде по-добре приспособен и прогнозиран от настоящите модели на ML. Facebook направи страхотна поредица, която навлиза по-дълбоко в тази тема , фокусирайки се повече върху тръбопровода ML от началото до доставката на модела.
За да се обърнете към втория участник в пълзенето на обхвата, уверете се, че сте в състояние да подготвите данните в подкрепа на вашите ML проекти. Просто да приемем, че разполагате с необходимите данни, в необходимия формат, е най-честата грешка, която PMs правят, когато започват само с ML проекти. Тъй като подготовката и почистването на данни често са по-дългата част от процеса на ML, управлението на тази стъпка е от съществено значение. Уверете се, че вашият учен за данни има достъп до правилните данни и може да провери тяхното качество и валидност преди предлагат функции за ML, които искат да създадат.
Подгответе се да извършвате етикетиране и почистване на данни като непрекъснато упражнение през целия проект, а не само като инициатор, тъй като проектът винаги може да се възползва от по-добри и повече данни. Тъй като тази стъпка не е най-завладяващата задача, разделете тази работа на спринтове, за да може екипът ви от данни да усети напредъка на усилията си, вместо да се изправя пред безкрайно изоставане на билети.
Понякога компаниите възлагат етикетирането на данни на трети страни. Въпреки че това може да помогне за спестяване на време и предварителни разходи, то може да доведе и до ненадеждни данни, което в крайна сметка ще попречи на успеха на вашия модел ML. За да избегнете това, използвайте техниката на многократно припокриване, където всяка част от данните се проверява от множество страни и се използва само ако резултатите им съвпадат.
Когато планирате проект, отделете достатъчно време на екипа за данни, за да направи корекции, в случай че вашите изисквания за етикетиране се променят в средата на проекта и се изисква повторно етикетиране.
И накрая, проверете дали вашите данни могат лесно да се използват със съществуващите ML методи, вместо да измисляте нови ML методи, тъй като започвайки от нула може драстично да увеличи времето и обхвата на проекта. Имайте предвид, че ако се опитвате да разрешите проблем с ML, който все още не е решен, има голям шанс да се провалите. Въпреки успеха на машинното обучение и броя на публикуваните научни трудове, решаването на проблемите с ML може да бъде много трудно начинание. Винаги е най-лесно да започнете с област на ML, която има много добри примери и алгоритми и да се опитате да я подобрите, вместо да се опитвате да измисляте нещо ново.
Машинно обучение, очаквания и UX
Всеки премиер трябва да е готов да мисли за потребителския опит на продуктите на ИИ, които създава, и как най-добре да управлява екипа, който ги изгражда. Google написа страхотно парче за начина им на мислене за UX и AI, с акцент върху човешкото взаимодействие.
Този момент е особено важен, ако вашият ML продукт трябва да взаимодейства с оператори или дори да бъде заменен от тях. Дизайнът трябва да добави минимално необходимото количество стрес за операторите и потребителите на системата. Например чатботовете често се основават на машинно обучение, но те могат безпроблемно да бъдат поети от човешки оператор.
Също така има възможност заинтересованите страни да очакват от продуктите за машинно обучение много повече от това, което могат да доставят. Това обикновено е проблем, произтичащ от шумотевицата, създадена от медиите, когато пише за продукти с изкуствен интелект, и по този начин е важно ръководителят на проекта да зададе разумни очаквания.
Не забравяйте да обясните какво всъщност е инструментът за изкуствен интелект и може да постигне за заинтересованите страни, така че да можете да управлявате техните очаквания достатъчно добре, преди да тестват инструмента. Добрият UX е страхотен, но не може да донесе стойност на потребители с нереалистични очаквания, така че е от съществено значение всеки участващ премиер да ги управлява и да информира своите заинтересовани страни за AI и неговите реалистични възможности.
Осигуряване на качеството (QA) и практики за тестване в ML
AI в сегашния си вид е сравнително ново поле. Никога досега не е имало толкова много приложения, използващи дълбоко обучение, за да постигнат целите си. Тези нови разработки идват със собствени предизвикателства, особено при тестване.
Въпреки че е сравнително лесно да тествате стандартен софтуер, който има ясен „набор от правила“, написан от хората, е много по-трудно изчерпателно да тествате модели за машинно обучение, особено тези, изградени с помощта на невронни мрежи. Понастоящем повечето модели на ML се тестват от самите изследователи на данните, но има малко договорени методи за тестване със стандартни екипи за QA, за да се гарантира, че ML продуктите не се провалят по неочаквани начини.
С нови начини за манипулиране на резултатите от известните модели като тези GAN атаки , цялостното тестване на модели ще става все по-важно. Това ще се превърне в приоритет за много проекти за ML и ще видим още тестове за „интеграция“ на типовете ML през следващите години. За повечето прости проекти в момента това може да не е осезаем проблем, но е важно да имате предвид това, ако изграждате критичен за мисията ML продукт.
Кражба на модел на ML и плагиатство
Тъй като това Кабелна статия е публикуван, а оригиналният доклад е представен на Конференция по сигурността на USENIX през 2016 г. , стана очевидно, че съществува възможност за плагиатство на жив модел на ML.
Това все още е доста трудно да се постигне добре, но ако имате модел, работещ чрез публично достъпен API, е важно да знаете тази възможност. На теория страна със значителен достъп до нея може да обучи собствена мрежа въз основа на вашата и ефективно да копира възможностите ви за прогнозиране.
Това все още е доста ограничено от гледна точка на възможностите , но не забравяйте да работите с екипа си по стратегия за предотвратяване на възможни атаки, ако това е проблем за вашия проект.
Недостиг на таланти
С настоящото търсене на експерти от ИИ от световна класа, конкуренцията за получаване на точния талант е ожесточена. Всъщност, New York Times съобщава, че експертите по изкуствен интелект от световна класа могат да спечелят до 1 милион долара годишно работи за големи електроцентрали в Силиконовата долина. Като премиер, докато търсите експерти по изкуствен интелект, които да се присъединят към вашия екип, имайте предвид тази динамика, тъй като те могат да повлияят на вашите цикли на наемане, бюджет или качество на свършената работа.
Този недостиг се простира покрай иновативните умове, създаващи по-новите алгоритми за задълбочено обучение, а също така важи и за инженерите и учените от най-високо качество на данните.
Много от най-талантливите хора участват в състезания по машинно обучение като Кагъл където могат да се надяват да спечелят на север от $ 100 000 за решаване на трудни проблеми с машинното обучение. Ако е трудно да наемете местни експерти по ML, разумно е да потърсите решения извън кутията, като наемане на специализирани изпълнители от разстояние или изпълнявате свой собствен Кагъл състезание за най-трудните ML проблеми.
Правни и етични предизвикателства
Правните и етични предизвикателства на ИИ при управлението на проекти са двойни.
Първият набор от предизвикателства произтича от данните, използвани за обучение на моделите ML. Важно е да разберете откъде произхождат данните, които използвате, и по-конкретно дали имате права да ги използвате и лицензите, които ви позволяват да използвате данните.
Винаги е важно да се консултирате с адвокатите си, за да разрешите подобни въпроси, преди да внедрите модел, обучен на данните, за които може да нямате подходящия тип лиценз. Тъй като това е относително ново поле, много от тези отговори не са ясни, но премиерите трябва да се уверят, че техните екипи използват само набори от данни, които имат правото да използват.
Ето едно добро списък на публично достъпни набори от данни за обучение на вашите ML алгоритми.
Вторият набор от предизвикателства идва от това да гарантирате, че вашата система няма да развие систематично пристрастие. Имало множество случаи на подобни проблеми през последните години, когато една компания за камери трябваше да признае, че нейната технология за разпознаване на усмивка открива само хора от определено състезание, защото е била обучена само на данни, съдържащи лица от това състезание. Друг пример идва от голяма софтуерна компания, която трябваше да оттегли своя самообучаващ се бот в Twitter след няколко дни учене, тъй като съгласуваните усилия на група интернет тролове го накараха да произвежда расови клевети и да повтаря диви конспирации.
Степента на тези проблеми може да бъде незначителна или да унищожи проекта, така че когато разработват критични системи, личните служители трябва да се уверят, че те обмислят такива възможности и да ги предотвратят възможно най-рано.
Добрите основи водят до здрави структури
В обобщение, предстоящата AI революция поражда набор от интересни, динамични проекти, които често идват с модифициран процес на разработка, различен архетип на екипа и нови предизвикателства.
Топ мениджъри на технически проекти имат не само добро разбиране на основите на ИИ, но и интуицията за трудността на всяка стъпка от проекта и какво е наистина възможно да се създаде с екипа им. Тъй като AI не е търговска наличност ( ДЕТСКИ ) решение, дори компаниите, които избират да закупят определени ML продукти, все пак ще трябва да инвестират в тестване на нови неща и правилно управление на своите данни и инфраструктура.
Ясно е, че видовете софтуерни продукти и процесите за създаването им се променят с появата на AI. Ръководителите на проекти, които са в състояние да разберат и изпълнят тези нови концепции, ще играят важна роля в създаването на продукти за машинно обучение на бъдещето.
Допълнителни материали от автора
Допълнителна теория: DL и NN
В допълнение към по-често срещаното многословие на изкуствения интелект (AI) и машинното обучение (ML), ръководителите на проекти могат да се възползват от това, че са наясно с по-нататъшното разграничаване на дълбокото обучение (DL) и невронните мрежи (NN).
Дълбоко обучение (DL)
Дълбоко обучение е част от по-широко семейство методи за машинно обучение, основани на представяне на данни за обучение, за разлика от класическите специфични за задача алгоритми.
Повечето съвременни модели за дълбоко обучение се основават на изкуствена невронна мрежа, въпреки че могат да използват различни други методи.
Невронни мрежи (NN)
Невронни мрежи са биологично вдъхновени, свързани математически структури, които дават възможност на ИИ системите да се учат от данните, представени им.
Можем да си представим тези мрежи като милиони малки врати, които се отварят или затварят, в зависимост от въведените от нас данни. Успехът на тези техники беше благодарение на нарастването на изчислителната мощ на GPU през последните години, което ни позволи бързо да коригираме повече от тези „малки порти“ в невронните мрежи.
Съществуват множество видове невронни мрежи, всеки от които е придружен от свои специфични случаи на употреба и ниво на сложност. Може да видите термини като CNN (конволюционна невронна мрежа) или RNN (повтаряща се невронна мрежа), използвани за описване на различни типове архитектура на невронна мрежа.
За да разберете по-добре как изглеждат и функционират тук е страхотна 3D визуализация за това как невронните мрежи „изглеждат“, докато са активни.
Интересувате ли се да научите повече за AI?
Ако след като прочетете това, искате да отидете и да изследвате темата малко по-дълбоко, препоръчвам ви да проверите тези източници:
Разбиране на невронните мрежи
Ако искате да се потопите по-дълбоко в механиката на това как работят невронните мрежи, предлагам ви да проверите 3Blue1Brown серия на невронни мрежи в YouTube. Според мен това е най-доброто задълбочено обяснение на невронните мрежи. Той се доставя с прости думи и не изисква предварителни познания.
Бъдете в течение с AI News
Ако искате да сте в крак с най-новите постижения в технологията на ИИ, без да отделяте часове за четене на академични статии, препоръчвам следното Двуминутни документи . Този канал предоставя ежеседмични двуминутни актуализации на най-впечатляващите нови техники за изкуствен интелект и техните имплементации.
Изучаване на основите на развитието на ML
Ако някога искате да се впуснете в кода и имате някои елементарни умения на Python, тогава можете да проверите Fast.ai . Техният курс позволява на всеки с основни умения за развитие да започне да експериментира и да играе с невронни мрежи.
Основи на машинното обучение
Това предложение е за тези, които искат да започнат от самото начало и да проправят пътя си до върха на разбирането и прилагането на машинното обучение.
Създаден от легендарния сега Андрю Нг, който стартира Coursera с този курс изисква наистина значителна инвестиция във времето - поне шест месеца, но може да бъде изключително продуктивен начин да прекарате събота.
Забележка: Определенията на ключовите термини са адаптирани от Wikipedia.
Разбиране на основите
Машинното обучение същото ли е като изкуствения интелект?
Не - въпреки че те често се използват взаимозаменяемо, машинното обучение е подмножество на изкуствения интелект, което се характеризира конкретно със способността на програмата да учи, без да е изрично програмирана.
Какво е дълбокото обучение с прости думи?
Дълбокото обучение може да се класифицира като клас методи за машинно обучение, които са изградени върху представянето на данни за обучение. Те често се основават на изкуствена невронна мрежа, въпреки че могат да използват различни други методи.
Какво имате предвид под невронна мрежа?
Невронните мрежи са математически структури, които позволяват на системите за изкуствен интелект да се „учат“ от предоставените данни. Можем да си представим тези мрежи като милиони малки врати, които се отварят или затварят, в зависимост от въведените от нас данни.
