Estás leyendo la publicación: Descifrando el bombo: hacia la IA
Publicado originalmente en Hacia la IA, la empresa líder mundial en noticias y medios de IA y tecnología. Si está creando un producto o servicio relacionado con la IA, lo invitamos a considerar convertirse en patrocinador de la IA. En Hacia la IA, ayudamos a escalar las empresas emergentes de IA y tecnología. Permítanos ayudarlo a dar rienda suelta a su tecnología a las masas.
Enfoques centrados en datos para Model Centric: enfoque en IA
La base de datos y su impacto en la calidad de las soluciones basadas en ML brindan diferentes sesiones, y es importante para la sesión NG (Zagatti, 2021). Las ventajas son la gran inversión en la preparación de datos y su equipo. Andrew discutió diferentes ventajas de una mayor contribución en la preparación de datos con su equipo, demostrando que mejorar la calidad de los datos es efectivo para recopilar tres veces los datos con una gran cantidad.
Diferentes datos, el mismo modelo
Se conoce por los componentes que conforman la solución que ayuda en el desarrollo como practicantes de IA:
“Sistema AI = Código + Datos, donde código significa modelo/algoritmo”
Se refiere a que podemos mejorarlo codificando o mejorando los datos dando alguna solución. Ambas soluciones pueden funcionar mejor para ello. ¿Cuál es la mejor manera de lograr el equilibrio adecuado para tener éxito?
Los datos son gratuitos a través de bases de datos o Kaggle; por ejemplo, proporciona más modelos en los que el enfoque céntrico trata con soluciones mejoradas más o menos eficientes. Significa que mejorar las soluciones requería centrarse en el único elemento que se podía ajustar y cambiar, el código. Sin embargo, lo que vemos en la industria es una historia muy diferente. Andrew NG expresó un punto de vista, por lo que estoy completamente de acuerdo: hasta ahora, el enfoque centrado en el modelo ha tenido un impacto significativo en el equipo disponible en los equipos del área de ML para varias ciencias de datos.
Centrado en datos frente a centrado en modelos
En mi opinión, lograr una solución de IA sólida requiere dar el equilibrio de lo que se conoce como una “perspectiva centrada en el modelo frente a una centrada en los datos”; sin embargo, soy consciente de que el lado de los datos retiene las mayores apuestas de valor. Afortunadamente, este punto de vista no se basa en la intuición, y “Andrew NG y su equipo” optaron por demostrarlo con diferentes experimentos utilizando datos del mundo real. Pero primero, aclaremos qué significa estar centrado en el modelo y centrado en los datos.
Uno de los ejemplos presentados durante la sesión fue la detección de fallas en láminas de acero: brinda la secuencia de fotos de diferentes láminas de acero para construir el mejor modelo para reconocer los defectos durante el proceso de fabricación y brinda la mejor precisión en la base de los sistemas de referencia, y proporciona un modelo de visión para hiperparámetros bien ajustados. El objetivo es lograr un 90 por ciento de precisión. Cómo se puede lograr con diferente precisión.
El modelo de referencia es mejorar el 90 por ciento, y da imposible para el modelo centrado y da una mejora en la búsqueda de arquitectura de red y da la arquitectura de vanguardia. El enfoque basado en datos es identificar las etiquetas limpias y ruidosas y la inconsistencia. Los hallazgos son los siguientes:
Se trata de la detección de defectos de láminas de acero en la que la línea de base presenta una precisión en la línea de base del 76,2 %, la centrada en el modelo es del +0 % y la centrada en los datos es del +16,9 %, lo que muestra la mejora en el enfoque basado en datos (Dario, 2021).
Los beneficios de adoptar un enfoque centrado en los datos no se limitan a la visión de las computadoras; también se aplican a otras áreas, como el procesamiento del lenguaje natural (NLP) y los “datos tabulares y de series de tiempo”.
¿Por qué es importante cambiar de un modelo a un enfoque centrado en datos?
Los datos son extremadamente importantes en la investigación de IA, y adoptar una estrategia que priorice la obtención de datos de alta calidad es fundamental. Después de todo, los datos útiles no son fáciles de obtener solo con ruido, sino que también son extremadamente costosos de obtener. La IA se trata de la misma manera que cuidaríamos los mejores materiales al construir una casa. Los hiperparámetros correctos y la selección del modelo están dando resultados generalizables y brindan más rendimiento y optimizabilidad para influir en los sistemas y brinda modelos de alta calidad para entrenar y se utilizan para entrenar los modelos. AI proporciona los conjuntos de datos limpios y sin ruido para convertirse en el diferenciador fundamental en la estructura de los datos. Las técnicas de aprendizaje semisupervisado pueden ser muy beneficiosas para detectar y corregir inconsistencias, y los datos sintéticos se pueden usar para producir y simular más eventos para ayudar con los problemas de generalización.
Pensamientos finales
Los datos son uno de los activos más caros en la actualidad, gracias a la infraestructura involucrada, la cantidad de recursos humanos dedicados a ellos y la rareza de tenerlos adquiridos en circunstancias óptimas. La calidad de los datos debe mantenerse y mejorarse en cada etapa del desarrollo de IA, cada una de las cuales, por definición, requerirá varios marcos y herramientas y, no olvide, esto debe entregarse y medirse de manera continua, lo que convierte a MLOps en un aliado valioso. para lograr un paradigma centrado en datos adecuado y exitoso en el desarrollo de soluciones de IA.
Referencias
Hajij, M., Zamzmi, G., Ramamurthy, KN y Saenz, AG (2021). La IA centrada en datos requiere repensar la noción de datos. .
Zagatti, GA, Ng, SK y Bressan, S. (2021). Un almacén de datos de sesiones Wi-Fi para el rastreo de contactos y la investigación de brotes. En (págs. 85-104). Springer, Berlín, Heidelberg.
Rafi Karlansik., (2021). Necesidad de plataformas de aprendizaje automático centradas en datos. Disponible en: https://databricks.com/blog/2021/06/23/need-for-data-centric-ml-platforms.html
Fabiana Clemente., (2019) De model-centric a data-centric. Disponible en : https://towardsdatascience.com/from-model-centric-to-data-centric-4beb8ef50475
Darío Radecic., (2021). ¿IA centrada en datos vs. centrada en modelos? La respuesta es clara. Disponible en:
https://towardsdatascience.com/data-centric-vs-model-centric-ai-the-answer-is-clear-4b607c58af67
IA centrada en datos: Decodificando el bombo se publicó originalmente en Hacia la IA en Medium, donde las personas continúan la conversación destacando y respondiendo a esta historia.
Publicado a través de Hacia la IA
