admin

Причикивая растущий спрос на крупные модели искусственного интеллекта по потребительским и коммерческим продуктам, которые способствуют увеличению потребления облака, Microsoft сообщила о сильных результатах FY24 Q1 вчера вечером.

Выручка в первом квартале вырос на 13% до 56,5 млрд. Долл. США по сравнению с 50,1 млрд. Долл. США в прошлом году.

Чистая прибыль выросла на 27% до 22,2 млрд. Долл. США в первом квартале с 17,5 млрд. Долл. США в том же квартале год назад. Валовая маржа увеличилась до 71%, по сравнению с 69% год назад, вызванной улучшением валовой маржи Azure и Office 365.

Операционный доход по -прежнему вырос на 25%, несмотря на инвестиции Microsoft AI, демонстрируя способность компании сбалансировать рост и прибыльность.

Результаты FY24 Q1 отражают, как Microsoft успешно превращает ИИ в ускоритель дохода, с Azure Openai Service, Dynamics 365 и более широкими облачными сервисами Microsoft. По словам генерального директора Сатья Наделлы, у ассистента по кодированию Github Copilot в настоящее время более 1 миллиона оплачиваемых подписчиков, выросли на 40% за четверть.

Факторинг финансовых результатов FY24 Q1 с сегодняшним вызовом доходов показывает, насколько эффективны DevOps Microsoft, НИОКР, разработка программного обеспечения, управление продуктами и облачные группы развертывания. Достижение двузначного роста является верным признаком тяги предприятия для продуктов Microsoft, как и запланированное объявление о более чем 100 новых продуктах и ​​услугах, основанных на AI, на конференции Ignite.

Azure обеспечивает рост выручки на 29% в первом квартале

Доход от коммерческого облака вырос на 24% до 31,8 млрд. Долл. США, что приводило к росту на 29% доходов от Azure Cloud Platform в первом квартале. Коммерческое облачное бизнес -подразделение включает в себя Azure, Office 365, Dynamics 365 и другие облачные сервисы.

Azure AI Services, включая машинное обучение, бот и когнитивные услуги, внесли три процентных пункта в рост выручки в 29% этого квартала. Доход от когнитивных услуг, который включает в себя API AIS, вырос на 30% до 1,3 миллиарда долларов. В настоящее время более 18 000 организаций используют Azure Openai Service, в том числе новые клиенты Azure, демонстрирующие инвестиции Microsoft в OpenAI и AI в целом, работают стратегией, помогая продвигать его в более широких облачных войнах.

ИИ платит быстрее, чем ожидала Microsoft

Первоначально Microsoft сообщила инвесторам, что ИИ не обеспечит доходы до 2024 года, когда новые продукты станут широко доступными. Его доходы и разумные доходы и понимание показывают, что он опережает график. Microsoft ускоряет генеративное принятие искусственного интеллекта в своих технологических стеке после инвестирования в Open 13 миллиардов долларов и видит, как конкуренты запускают новые продукты искусственного интеллекта.

«Мы быстро наполняем ИИ на каждом уровне технического стека, а также для каждой роли и бизнес -процесса для повышения производительности для наших клиентов», — сказал Наделла. Наделла говорит, что Microsoft представит более 100 новых продуктов и возможностей, в том числе захватывающие новые инновации искусственного интеллекта, на предстоящей конференции Ignite.

С доходом от ИИ по вождению быстрее, чем ожидалось, Наделла удвоила единое видение архитектуры. Во время сегодняшней конференц-конференции Наделла подчеркнула, что генеративный ИИ является частью единого технического стека и стратегии выхода на рынок для Microsoft Suite продуктов и услуг.

Наделла подчеркнула, что, несмотря на распространение генеративного ИИ и потенциал для отключения новых услуг, все бизнес -единицы и продукты Microsoft будут стандартизировать общую общую архитектуру искусственного интеллекта. Это хорошая новость для покупателей программного обеспечения для предприятия, которым потребуется, чтобы в качестве необходимости для добавления генеративных продуктов и услуг Microsoft на основе искусственного интеллекта по всему бизнесу в 2024 году и старше.

Наделла упоминала о растущем интересе покупателей предприятий к пилотированию ИИ в своих организациях. Наделла сказал, что ведущий индикатор того, насколько ограниченный спрос на предприятия, Microsoft 365, Microsoft 365, Microsoft 365, Microsoft 365, вырос в Office 365 Коммерческий доход на 18%, что обусловлено ростом места на 10% и более высоким доходом на одного пользователя.

Он продолжил звонок, заявив, что возможности Copilot в офисных приложениях имели более 40% компаний Fortune 100, которые тестируют его и достигнут общей доступности на следующей неделе. Главный финансовый директор Microsoft Эми Худ отметила, что Microsoft рассчитывает поддерживать двузначный рост для доходов Office 365 и Azure, так как в большей степени тестирует предприятия и применяет новые приложения и услуги на основе генеративного ИИ.

Является ли внедрение вождения в чате?

Во время сегодняшнего вызова находов Наделла подчеркнул, что многие сильные стороны Bing Chat на основе искусственного интеллекта привели к тому, что его компания получила долю. Это сообщение, которое Наделла дала раньше, совсем недавно в своем ежегодном письме.

На сегодняшнем вызове доходов Наделла подчеркнула, что «Microsoft Edge приобрела долю в течение десяти кварталов подряд». Он сказал: «В этом квартале мы представили новые персонализированные ответы, а также поддержку (Openai Generation Ai) Dalle-3, помогая людям получить более актуальные ответы и создавать невероятно реалистичные изображения. На сегодняшний день было создано более 1,8 миллиарда изображений»,-сказала Наделла.

Хотя возможно, что разговорные возможности AI Bing Chat, интегрированные в Edge, способствуют увеличению взаимодействия с пользователями. Microsoft утверждает, что ранние данные показывают, что Bing Chat приводит к большему количеству поисковых запросов на одного пользователя.

Venturebeat исследовал утверждение и обнаружил, что Bing Chat не привел к росту доли рынка для Edge и, возможно, привел к потере доли. Эти два диаграммы показывают проблему доли рынка поиска Microsoft Bing, а также анализ доли рынка, завершенный с использованием Statcounter Globalstats, показывают Edge с снижением доли рынка в США за последние пять месяцев.

Человек, фирма, стоящая за широко используемой студией Label с открытым исходным кодом для маркировки данных, расширяет свои усилия сегодня с запуском фреймворта Adala с открытым исходным кодом для автономных агентов по маркировке данных.

Людиньин ранее был известен как Heartex и переименован в себя в июне 2023 года, чтобы привлечь внимание к своему основному ценному предложению добавления людей в петлю для обучения машинного обучения (ML). Маркировка данных является основополагающей деятельностью для тренировочных моделей, и в прошлом была очень трудоемкий процесс. С помощью Label Studio ученые данных получают инструменты для маркировки различных типов данных, включая текст и видео. С быстрой развитием машинного обучения, человеческий сигнал стремится сформировать будущее надежной, эффективной обработки данных через свою новую структуру Adala с открытым исходным кодом.

Адала — аббревиатура для Аутономо Дюймовыйата ЛАбельгинг АGent и это подход, который использует агенты ИИ, новым способом помочь ускорить и улучшить процесс маркировки данных.

«Мы начали спрашивать себя, что это будет означать, чтобы построить то, что мы называем надежным агентом ИИ, которому вы можете доверять», — сказал VentureBeat, вы можете доверять Майкл Малук, соучредитель и генеральный директор HumanSignal. «Adala — это наш ответ и предназначен для того, чтобы помочь создать автономные надежные агенты, которые ориентированы на задачи обработки данных».

Как работает Adala, чтобы помочь ускорить процесс маркировки данных

Агенты Adala предназначены для изучения и улучшения в задачах данных, таких как классификация и маркировка, когда они предоставляются с названием наборов данных по истине. Набор данных о названии истины является основой для определения меток данных и может быть разработан с использованием технологии Label Studio.

Малюк объяснил, что в рамках Адала есть концепция среды, которая в основном определяет, как агент учится с основной истиной, являющейся частью окружающей среды. Агент Adala будет взаимодействовать с окружающей средой, учиться у нее, и после того, как он прошел несколько итераций обучения, агент становится двигателем прогнозирования. В первоначальном варианте использования целевого использования для ADALA прогнозы используются для применения маркировки данных к остальной части набора данных, который еще не помечен.

Агенты Adala оснащены тем, что Малюк называют временем выполнения, которая в основном является большой языковой моделью (LLM). Средство выполнения выполняет задачу, которая была назначена для агента и предоставляет ответы обратно.

Николай Лиубимов, технический директор Humansignal, объяснил, что часть архитектуры Adala Framework является требованием для какой -либо формы хранения, которая, как правило, является векторной базой данных. Он отметил, что процесс получения метки данных, которая может быть применена к новым данным, во многих отношениях похож на то, как работает извлечение дополненного поколения (RAG) для LLMS.

Адала не только о маркировке данных

Malyuk отметил, что сообщество пользователей Label Studio просит обо всех видах автоматизации.

Первоначальная способность ADALA, включенная ADALA, — это маркировка данных, но он подчеркнул, что она может быть обобщенным агентом для различных задач обработки данных. С проектом Adala в качестве открытого исходного кода он надеется, что пользователи будут вносить идеи и код за то, как они хотят расширить Adala.

«Через год они станут разными типами агентов с различными типами навыков, которые могут взаимодействовать и получать обратную связь от разных типов среды», — сказал Малук. «И это чрезвычайно мощный подход, которым мы хотим поделиться с более широким сообществом».

Рынок искусственного интеллекта невероятно динамичный, особенно в этом году с тех пор, как Openai публично запустил CHATGPT.

Обследование после опроса показывает, что предприятия движутся быстро, чтобы рассмотреть и принять новые инструменты искусственного интеллекта. Но как они это делают, как они обеспечивают обеспечение решений ИИ, которые они приносят на борт своих сотрудников и клиентов, работают надежно, безопасно и соответствуют тому, что соответствуют применимым правилам и правилам для указанной компании в юрисдикциях, в которой они управляют?

Введите череп. Стартап из Нью-Джерси, инкубированный в гиганте профессиональных услуг KPMG и появился из Stealth в апреле 2023 года, предлагает пользовательское программное решение, которое позволяет предприятиям оценивать риски безопасности и соответствия искусственным технологиям без нарушения существующих рабочих процессов.

«Уровень экспериментов прошел через крышу», — сказал основатель и генеральный директор Джонатан Дамброт, основатель и генеральный директор Джонатан Дамброт. «Каждый технологический продукт в настоящее время интегрирует ИИ — либо сделал это, либо имеет план сделать это в течение следующих шести месяцев до 12 месяцев. Так что именно здесь становится действительно важно понимать, как люди используют ИИ».

Инвесторы согласны, как и сегодня, Cranium объявил о своем раунде финансирования серии A до 25 миллионов долларов. Раунд возглавлял Telstra Ventures с участием KPMG LLP и Syn Ventures, в результате чего общее повышение капитала Cranium в течение 32 миллионов долларов.

Уникальное ценностное предложение Cranium

Cranium предлагает несколько продуктов и услуг, организованных около четырех целей: обнаружение, мониторинг, создание прозрачности, отчетности и соответствия.

Одним из решений является частные информационные панели AI, которые позволяют его организациям -клиентам отслеживать, как они используют ИИ, и какие данные используют модели ИИ, к которым они используют, и где эти данные идут внутри и за пределами организации.

«Когда мы смотрим на рынок, интересным является роль управления ИИ», — сказал Дамброт VentureBeat. «Мы думаем о себе как о платформе, которая помогает поддержать этот процесс, и это начинается с вопроса:« Как мы даем видимость услугам искусственного интеллекта? »

Коннекторы Cranium, безопасное программное обеспечение, которое помогает контролировать в реальном времени и оценить, как ИИ используется в его клиентских организациях, поддерживает большинство основных сред, моделей, моделей и фреймворков, включая Azure, Azure Openai, AWS SageMaker, Google Vertexai, DataBricks, MLFLOW, DabyKu и DataRobot.

Другое предложение, «AI Card», представленное в течение лета 2023 года, позволяет клиентам Cranium подключить свои приложения AI к безопасным инструментам Cranium Software Software и генерировать дискретный файл с информацией о значении, цели, данных и управлении.

Компании могут загружать доказательства, которые поддерживают каждую из этих областей. Затем они могут поделиться картой ИИ со сторонними сторонниками, в том числе на своих собственных веб-сайтах, с государственными учреждениями или даже с клиентами и новыми клиентами.

Cranium дополнительно генерирует «оценку зрелости AI», который оценивает уязвимости их стека ИИ с использованием упражнений по чтению Cranium для разоблачения и подключения пробелов в библиотеках, хранилища данных и озерных домов/складов, трубопроводов и, конечно, сами моделей. Оценка составляет процент из 1-100, а более высокое число является лучшим, более зрелым и безопасным стеком ИИ.

Оценка зрелости помогает организациям «понимать, что там (с точки зрения ИИ, используемого внутри их компаний) и риска этих систем ИИ, потому что в большинстве случаев группы управления и группы безопасности действительно не имеют такой видимости», — сказал Дамброт.

«Это похоже на« принести свое собственное устройство »с iPhone снова и снова», — сказал Дамброт, отметив, что многие сотрудники используют инструменты для искусственного интеллекта для работы, которые не обязательно очищены руководством, но тем не менее необходимо отслеживать и контролировать, чтобы обеспечить соответствие и безопасность.

Он прислал гипотетический пример сотрудника, который решает начать фотографировать центр обработки данных своей компании и загрузить их в новый режим компьютерного зрения Chatgpt, чтобы попросить его о повторном архите или написании политик. В то время как законное использование, которое может быть полезным для компании, он также поставляется с рисками, которые разъемы и предложения Cranium могут помочь группам управления и безопасности компании понять и смягчить.

«Вы не знаете, куда идут эти данные», — отметил Дамброт. «Вы не знаете, как обучаются модели».

Сам череп использует ИИ и машинное обучение (ML), в частности, в завершении и разработке программного обеспечения, ENT.

«Мы инвестируем в значительной степени в продвижение лучшего развития кода с использованием ИИ», — сказал Дамброт, который включает в себя «Использование ИИ в продукте, использование искусственного интеллекта для построения, включая тестирование QA (обеспечение качества) и другие области. Мы вносим в это все наши активы, включая наши человеческие активы, используя наши системы ИИ.

Хотя молодая компания, Cranium уже считает ряд клиентов в разных секторах, как медицинские науки, финансовые услуги, товары для потребителей и розничная торговля.

Что нравятся инвесторам в черепке

Маркус Бартрам, генеральный партнер Telstra Ventures, выразил свой энтузиазм по поводу решений Cranium в заявлении, представленном в пресс -релизе.

«Cranium стоит в авангарде программного обеспечения для безопасности и доверия ИИ, расширяя возможности организаций для ориентирования в переполненную индустрию кибербезопасности с его новаторскими продуктами и новаторскими инновациями», — сказал он.

Telstra Ventures имеет историю поддержки выдающихся разрушителей, сделав 96 инвестиций, которые привели к 38 событиям ликвидности, в том числе громкие имена, такие как Crowdstrike, Docusign и Box. Фирма недавно объявила о своем третьем фонде, который принимает свои средства под управлением до 1 миллиарда долларов.

Что череп планирует сделать дальше

Инъекция средств направлена ​​на то, чтобы питать различные области компании, от НИОКР и расширения бизнеса до маркетинговых усилий. Подкрепляя свою корпоративную программную платформу, Cranium планирует предоставить организациям более безопасную и соответствующую среду AI/ML.

Компания уже хорошо расположена, чтобы помочь своим клиентам соблюдать все еще в процессе, но быстро надвигающийся акт ЕС, который Дамброт назвал «почти как GDPR с точки зрения конфиденциальности».

Кроме того, Дамброт сказал: «Мы работаем над некоторыми вещами, которые будут запущены в следующем начале следующего года, когда вы сможете обеспечить видимость, особенно в среде Genai … Я сравниваю его с тем, что вы будете тормозить на гоночную машину. Если вы пытаетесь пройти 200 миль в час в своей гоночной машине и взять за собой угол без тормозов, у вас проблемы. Мы похожи на тормоза, которые позволяют всем выходить в более высокие поэксперименты.

В мире, где принятие ИИ быстро растет, Cranium стремится гарантировать, что организациям не нужно выбирать между инновациями и безопасностью. Разрабатывая надежные решения, ориентированные на доверие, видимость и соответствие, компания предназначена для установления новых отраслевых стандартов для безопасности искусственного интеллекта.

Если есть одна вещь, которая подпитывала быстрый прогресс ИИ и машинного обучения (ML), это данные. Без высококачественных маркированных наборов данных современные контролируемые учебные системы просто не смогут выполнить.

Но использование правильных данных для вашей модели не так просто, как сбор случайной информации и нажатие «запустить». Есть несколько основных факторов, которые могут значительно повлиять на качество и точность модели ML.

Если не сделать правильно, трудоемкая задача маркировки данных может привести к предвзятости и плохой производительности. Использование дополненных или синтетических данных может усилить существующие смещения или искажать реальность, и автоматические методы маркировки могут увеличить потребность в обеспечении качества.

Давайте рассмотрим важность качества, помеченных данными в обучении моделей искусственного интеллекта для эффективного выполнения задач, а также некоторые из ключевых проблем, потенциальных решений и действенных идей.

Что представляет собой помеченные данные?

Маркированные данные являются фундаментальным требованием для обучения любой контролируемой модели ML. Контролируемые модели обучения используют помеченные данные для изучения и вывода шаблонов, которые затем могут применить к реальной нематборенной информации.

Некоторые примеры утилиты помеченных данных включают:

• Данные изображения: Основная модель компьютерного зрения, созданная для обнаружения общих предметов по всему дому, потребуют изображений, помеченных такими классификациями, как «Кубок», «собака», «цветок».
• Аудиоданные: Системы обработки естественного языка (NLP) используют транскрипты в сочетании с аудио для изучения возможностей речи к тексту.
• Текстовые данные: Модель анализа настроений может быть построена с помощью помеченных текстовых данных, включая наборы обзоров клиентов, каждый из которых помечен как положительный, отрицательный или нейтральный.
• Данные датчика: Модель, созданная для прогнозирования сбоев механизма, может быть обучена на датчиках, в сочетании с такими этикетками, как «высокая вибрация» или «чрезмерная температура».

В зависимости от использования, модели могут быть обучены одним или нескольким типам данных. Например, модель анализа настроений в реальном времени может быть обучена текстовым данным для настроений и аудиодаб для эмоций, что позволяет получить более проницательную модель.

Тип маркировки также зависит от необходимости использования и требований к модели. Метки могут варьироваться от простых классификаций, таких как «кошка» или «собака», до более подробных сегментаций на основе пикселей, описывающих объекты на изображениях. Также могут быть иерархии в маркировке данных — например, вы можете хотеть, чтобы ваша модель поняла, что как кошки, так и собаки, как правило, являются домашними домашними животными.

Маркировка данных часто выполняется вручную людьми, что имеет очевидные недостатки, включая огромные временные затраты и потенциал для бессознательных предубеждений для проявления наборов данных. Существует ряд методов автоматизированной маркировки данных, которые можно использовать, но они также поставляются с их собственными уникальными проблемами.

Высококачественные маркированные данные критически важны для моделей обучения. Он обеспечивает контекст, необходимый для моделей качества создания, которые будут делать точные прогнозы. В сфере анализа данных и науки данных точность и качество маркировки данных часто определяют успех проектов ML. Для предприятий, стремящихся начать контролируемый проект, необходим выбор правильной тактики маркировки данных.

Подходы к маркировке данных

Существует ряд подходов к маркировке данных, каждый со своими уникальными преимуществами и недостатками. Необходимо соблюдать осторожность, чтобы выбрать правильный вариант для ваших потребностей, так как выбранная подход к маркировке окажет существенное влияние на стоимость, время и качество.

• Ручная маркировка: Несмотря на трудоемкий характер, маркировка данных ручной работы часто используется из -за его надежности, точности и относительной простоты. Это может быть сделано на месте или передавать на аутсорсинг профессиональным поставщикам услуг маркировки.
• Автоматизированная маркировка: Методы включают системы на основе правил, сценарии и алгоритмы, которые могут помочь ускорить процесс. Полупроницаемое обучение часто используется, в течение которого отдельная модель обучается небольшим количествам помеченных данных, а затем используется для маркировки оставшегося набора данных. Автоматизированная маркировка может страдать от неточностей, особенно когда наборы данных увеличиваются в сложности.
• Дополненные данные: Методы могут быть использованы для внесения небольших изменений в существующих меченных наборах данных, эффективно умножая количество доступных примеров. Но необходимо соблюдать осторожность, так как дополненные данные могут потенциально увеличить существующие смещения в данных.
• Синтетические данные: Вместо того, чтобы изменять существующие маркированные наборы данных, синтетические данные используют ИИ для создания новых. Синтетические данные могут иметь большие объемы новых данных, но они могут потенциально генерировать данные, которые не точно отражают реальность, — увеличивая важность обеспечения качества и надлежащей проверки.
• Краудсорсинг: Это обеспечивает доступ к человеческим аннотаторам, но вводит проблемы, связанные с обучением, контролем качества и предвзятости.
• Предварительно меченные наборы данных: Они адаптированы к конкретному использованию и часто могут использоваться для более простых моделей.

Проблемы и ограничения при маркировке данных

Маркировка данных представляет ряд проблем из-за необходимости огромного количества высококачественных данных. Одной из основных проблем в исследованиях искусственного интеллекта является непоследовательный характер маркировки данных, что может значительно повлиять на надежность и эффективность моделей. К ним относятся:

• Масштабируемость: Ручная маркировка данных требует значительных человеческих усилий, что серьезно влияет на масштабируемость. В качестве альтернативы, автоматизированная маркировка и другие методы маркировки с AI могут быстро стать слишком дорогими или привести к низкокачественным наборам данных. Следует найти баланс между временем, стоимостью и качеством при выполнении упражнения по маркировке данных.
• Предвзятость: Будь то сознательный или бессознательный, большие наборы данных часто могут страдать от какой -либо формы основного предвзятости. Их можно бороться с использованием вдумчивого дизайна лейбла, разнообразных команд человеческих аннотаторов и тщательной проверки обученных моделей для основных предубеждений.
• Дрифт: Несоответствия между людьми, а также изменения с течением времени могут привести к снижению производительности, поскольку новые данные сдвигаются из исходного обучающего набора данных. Регулярные человеческие тренировки, консенсусные проверки и современные рекомендации по маркировке важны для предотвращения дрейфа маркировки.
• Конфиденциальность: Личная информация (PII) или конфиденциальные данные требуют безопасных процессов маркировки данных. Такие методы, как редактирование данных, анонимизация и синтетические данные, могут управлять рисками конфиденциальности во время маркировки.

Нет единого размера подходит для всех решений для эффективной крупномасштабной маркировки данных. Это требует тщательного планирования и здорового баланса, учитывая различные динамические факторы.

Будущее маркировки данных в машинном обучении

Прогрессия ИИ и МЛ не надеется замедлить в ближайшее время. Наряду с этим повышенная потребность в высококачественных маркированных наборах данных. Вот несколько ключевых тенденций, которые будут определять будущее маркировки данных:

• Размер и сложность: По мере продвижения возможностей ML наборы данных, которые их обучают, становятся больше и сложнее.
• Автоматизация: Существует растущая тенденция к автоматическим методам маркировки, которые могут значительно повысить эффективность и снизить затраты, связанные с ручной маркировкой. Прогнозирующие аннотации, переносное обучение и маркировка без кодов-все это видят повышенное принятие в попытке уменьшить людей в цикле.
• Качество: Поскольку ML применяется к все более важным областям, таким как медицинский диагноз, автономные транспортные средства и другие системы, где может быть поставлена ​​жизнь человека, необходимость контроля качества значительно возрастет.

По мере увеличения размера, сложность и критичность помеченных наборов данных, так же как и необходимость улучшения способами, которыми мы в настоящее время маркируем и проверяют качество.

Действенная идея маркировки данных

Понимание и выбор лучшего подхода к проекту маркировки данных может оказать огромное влияние на его успех с финансовой и качественной точки зрения. Некоторые действенные идеи включают:

• Оцените свои данные: Определите сложность, объем и тип данных, с которыми вы работаете, прежде чем принять участие в любом подходе к маркировке. Используйте методический подход, который наилучшим образом соответствует вашим конкретным требованиям, бюджету и графике.
• Расставить приоритеты в обеспечении качества: Реализуйте тщательные проверки качества, особенно если используются автоматические или краудсорсинговые методы маркировки.
• Принять соображения конфиденциальности: Если иметь дело с чувствительным или PII, примите меры предосторожности, чтобы предотвратить какие -либо этические или юридические вопросы в будущем. Такие методы, как анонимизация данных и редакция, могут помочь поддерживать конфиденциальность.
• Быть методичным: Реализация подробных руководящих принципов и процедур поможет минимизировать предвзятость, несоответствия и ошибки. Инструменты документации по производству искусственного интеллекта могут помочь отслеживать решения и сохранять легко доступную информацию.
• Используйте существующие решения: Если возможно, используйте предварительно меченные наборы данных или профессиональные услуги маркировки. Это может сэкономить время и ресурсы. При поиске усилий по маркировке данных существующие решения, такие как планирование с Powered, могут помочь оптимизировать рабочий процесс и распределение задач.
• План масштабируемости: Подумайте, как ваши усилия по маркировке данных будут масштабироваться с ростом ваших проектов. Инвестирование в масштабируемые решения с самого начала может сэкономить усилия и ресурсы в долгосрочной перспективе.
• Оставайся в курсе: Оставайтесь на скорости на появляющихся тенденциях и технологиях в маркировке данных. Инструменты, такие как предсказательная аннотация, маркировка без кодов и синтетические данные, постоянно улучшают, что делает маркировку данных дешевле и быстрее.

Тщательное планирование и рассмотрение этих пониманий позволит обеспечить более дешевую и более плавную работу, и, в конечном итоге, лучшую модель.

Последние мысли

Интеграция ИИ и МЛ в каждый аспект общества идет, и наборы данных, необходимые для обучения алгоритмов, продолжают расти в размерах и сложности.

Для поддержания качества и относительной доступности маркировки данных необходимы непрерывные инновации как для существующих, так и для новых методов.

Использование хорошо продуманного и тактического подхода к маркировке данных для вашего проекта ML имеет решающее значение. Выбирая правильную методику маркировки для ваших потребностей, вы можете помочь обеспечить проект, который обеспечивает требования и бюджет.

Понимание нюансов маркировки данных и принятия последних достижений поможет обеспечить успех текущих проектов, а также маркировать проекты.

Мэтью Даффин — инженер -механик и основатель RareConnections.io.