欢迎光临
我们一直在努力
您的位置:首页>VR >

无论多么复杂的人工智能系统仍然需要人工监督

人工智能和机器学习模型可以发挥出惊人的作用-直到它们失效为止。然后他们往往会失败。正如《麻省理工科技评论》(MIT Technology Review)报道的那样,这是从COVID-19危机中汲取的教训。正如作者Will Douglas Heaven所指出的那样,消费者和B2B购买行为突然发生了巨大变化,“这对库存管理,欺诈检测,营销等幕后运行的算法造成了干扰。机器学习模型是按常规训练的人类的行为现在发现正常状态已经改变,有些不再正常运转。”

他继续说,机器学习模型“旨在应对变化”。“但是大多数也很脆弱;当输入数据与经过训练的数据相差太大时,它们的性能就会很差。假设您可以建立一个AI系统然后走开,这是一个错误。”

显然,如果有的话,我们可能会与完全自我管理的系统相去甚远。如果这种现状告诉我们任何事情,那就是人类洞察力将永远是AI和机器学习方程式的重要组成部分。

最近几个月,我一直在与行业领导者探讨AI和机器学习的潜在范围以及人类需要扮演的角色。我所听到的大部分预示了COVID的剧变。SUSE全球产品和解决方案营销负责人Jason Phippen表示:“人工智能系统始终存在错误的假设,从而降低了数据的性能或可用性。“也有可能使用从不良关联和学习中获得的数据来做出错误的业务或处理决策。更糟糕的情况显然是系统被允许自由运行并将数据移至冷存储或冷存储导致损失的情况。生命或肢体。”

人工智能和机器学习根本无法放入现有的基础架构或流程集中。DataKitchen首席执行官Chris Bergh 警告说,现有系统需要进行调整和调整。他说:“在传统架构中,人工智能和机器学习系统消耗数据环境来满足数据需求。” “我们需要通过让AI管理数据环境来对该体系结构进行少许更改。必须平稳地进行此转换,以防止现有系统中的灾难性故障以及实现健壮的系统。”

人工智能和机器学习系统“开发用于管理数据环境的必须视为关键任务系统,并且必须非常谨慎地进行开发,”伯格继续说。“由于数据是当今业务决策的驱动力,因此数据环境将成为业务的核心。因此,即使数据管理出现轻微故障,也会由于运营时间,其他资源和资源的浪费而给业务造成巨大的成本。用户信任。”

Bergh还指出“分别在AI和机器学习以及数据管理领域中数据专业人员以及AI和机器学习专家的知识差距”。

最重要的是,熟练的人员将始终是管理流程以及确保将数据输入AI和机器学习系统的质量和及时性的关键。数据管理的机制将是自主的,但是数据的上下文需要人类的参与。“我们可以使用Google的DeepMind来研究自动驾驶汽车和数据中心能源优化之类的示例,并且对最终在数据库管理中会有平行的机会充满信心,” West的技术实践高级总监埃里克·布朗说。门罗合伙人,一家商业/技术咨询公司。“但是,完全自治的数据库可能会在不久的将来延伸;人类的参与应该变得更具战略意义,并集中在人类最有能力度过自己时间的领域。”

免责声明:本网站图片,文字之类版权申明,因为网站可以由注册用户自行上传图片或文字,本网站无法鉴别所上传图片或文字的知识版权,如果侵犯,请及时通知我们,本网站将在第一时间及时删除。