优化人工智能系统面临许多挑战成功的秘诀是持续的反馈，它弥合了业务成果和人工智能工作流程之间的差距，接下来我们就来聊聊关于ai赋能和深度变革?以下内容大家不妨参考一二希望能帮到您!
ai赋能和深度变革
优化人工智能系统面临许多挑战。成功的秘诀是持续的反馈，它弥合了业务成果和人工智能工作流程之间的差距。
部署人工智能立即为许多企业带来了价值和增长。然而，众所周知，随着时间的推移维持价值，更不用说最大化它，可能是相当具有挑战性的。持续优化是成功部署 AI 的关键。从一个足够好的产品开始，学习它在现实世界中的表现（尤其是随着数据环境的变化），然后改进；然后再次学习和改进，以此类推。这是一个明显的洞察力，但人工智能驱动的产品从一开始就完美无缺。
要完成持续优化，您需要持续的反馈。您需要“眼睛和耳朵”来观察您的数据和模型，并告诉您它们是否表现良好。由于各种原因，说起来容易做起来难。这些原因概述如下。
在我们去那里之前，让我们首先确定我们所说的持续反馈是什么意思。它正在弥合业务成果和 AI 工作流程之间的差距。您能否展示您的 AI 如何影响业务 KPI？您的 AI 变化如何影响业务 KPI 的变化？如果业务 KPI 的变化源于你的 AI 变化，你能检测到吗？如果答案是肯定的，那么你就会得到持续的反馈。
现在，回到为您的 AI 获得持续反馈的挑战。
1. 定义期望的结果首先，您需要对成功是什么样子有一个清晰的定义，而且这并不总是显而易见的。例如，两个推荐系统可能看起来非常相似；但实际上，它们有着截然不同的战略目标。一方面，目标是推动即时转化，就像在电子商务网站上一样。另一方面，它是为了提高一般客户的满意度，例如来自流媒体服务的内容建议。这并不总是最简单的，但根据主要目标的指标来衡量你的人工智能是至关重要的。
2. 不同的系统一旦（预期结果的）业务指标被明确定义，您需要跟踪它们并在 AI 变化（数据、特征、推理等）的背景下反复分析它们。这样做的一个常见挑战是业务指标“存在于”人工智能堆栈之外的不同环境中。例如，在电子商务推荐系统中，业务指标可能是点击次数和转化次数，这些都会在您的营销堆栈中进行跟踪。AI 团队能否轻松、一致地访问这些指标以获得持续反馈？根据我们的经验，并不经常。
3. 时机在某些情况下，业务指标定义明确，AI 团队可以访问它们，但挑战在于时机。这意味着这些指标是稍后测量的，并且在您的 AI 发挥作用时（或之后不久）不可用。这方面的一个例子是信用模型。个人信用度的预测用于自动批准贷款或信用额度。然后，可能需要数月甚至数年才能确定该信用风险预测的准确性。在其他情况下，滞后时间可能不会那么极端（可能只有几天或几周），因此值得设计一种机制并实施一种集成，一旦数据可用，就可以提供反馈。计划时间挑战很重要，在这些挑战中可以通过部分反馈（为系统提供数据的子集）来缓解它，
4.昂贵我们将持续反馈概述的最后一个挑战是，在某些情况下，获得成功指标可能非常昂贵。我们在这里的意思是，成功的指标通常需要一个人参与。提供“基本事实”标签的注释器。标记数据可能需要专业知识（例如，医学专家来验证 X 射线的读取）或简单的工作时间（检查一百万张图像），这两种方法都可能成本高昂。
结论持续的反馈将随着时间的推移改进您的 AI 并加速业务价值，让您对数据管道、推理引擎和整体模型环境充满信心。虽然实现起来并不总是那么容易，但有远见的 AI 团队将持续反馈视为生产能 AI 的关键要素，并努力实施它。
,
