Jibu fupi: Algoritimu ya AI ni njia ambayo kompyuta hutumia kujifunza mifumo kutoka kwa data, kisha kufanya utabiri au maamuzi kwa kutumia modeli iliyofunzwa. Haijarekebishwa mantiki ya "ikiwa-basi": hubadilika inapokutana na mifano na maoni. Data inapobadilika au kubeba upendeleo, bado inaweza kutoa makosa ya kujiamini.
Mambo muhimu ya kuzingatia:
Ufafanuzi: Tenganisha kichocheo cha kujifunza (algorithimu) na kitabiri kilichofunzwa (modeli).
Mzunguko wa Maisha: Chukulia mafunzo na hitimisho kama tofauti; kushindwa mara nyingi hutokea baada ya kupelekwa.
Uwajibikaji: Amua ni nani anayepitia makosa na nini kitatokea wakati mfumo unapokosea.
Upinzani wa matumizi mabaya: Jihadhari na uvujaji, upendeleo wa kiotomatiki, na michezo ya metriki ambayo inaweza kuongeza matokeo.
Ukaguzi: Fuatilia vyanzo vya data, mipangilio, na tathmini ili maamuzi yabaki kuwa na utata baadaye.
Makala ambazo unaweza kupenda kusoma baada ya hii:
🔗 Maadili ya AI ni nini
Kanuni za AI inayowajibika: haki, uwazi, uwajibikaji, na usalama.
🔗 Upendeleo wa AI ni nini?
Jinsi data yenye upendeleo inavyopotosha matokeo ya AI na jinsi ya kurekebisha.
🔗 AI scalability ni nini
Njia za kupanua mifumo ya AI: data, hesabu, upelekaji, na operesheni.
🔗 Ni nini kinachoweza kuelezewa AI
Kwa nini mifumo inayoweza kufasiriwa ni muhimu kwa uaminifu, utatuzi wa matatizo, na kufuata sheria.
Algoritimu ya AI ni nini hasa? 🧠
Algoritimu ya AI ni utaratibu ambao kompyuta hutumia:
-
Jifunze kutokana na data (au maoni)
-
Tambua mifumo
-
Fanya utabiri au maamuzi
-
Boresha utendaji kwa kutumia uzoefu [1]
Algoritimu za kawaida ni kama: "Panga nambari hizi kwa mpangilio unaopanda." Futa hatua, matokeo yaleyale kila wakati.
Algoritimu za AI zinafanana zaidi na: "Hapa kuna mifano milioni. Tafadhali tambua 'paka' ni nini." Kisha hujenga muundo wa ndani ambao kwa kawaida hufanya kazi. Kwa kawaida. Wakati mwingine huona mto laini na kupiga kelele "CAT!" kwa kujiamini kabisa. 🐈⬛
Algorithm ya AI dhidi ya Mfano wa AI: tofauti ambayo watu huipuuza 😬
Hii huondoa mwingi haraka:
-
Algorithm ya AI = mbinu ya kujifunza / mbinu ya mafunzo
("Hivi ndivyo tunavyojisasisha wenyewe kutoka kwa data.") -
Mfano wa AI = kifaa cha kisanii kilichofunzwa unachoendesha kwenye ingizo mpya
("Hiki ndicho kitu kinachofanya utabiri sasa.") [1]
Kwa hivyo, algoriti ni kama mchakato wa kupikia, na modeli ni mlo uliokamilika 🍝. Labda sitiari inayotetemeka kidogo, lakini inashikilia.
Pia, algoriti hiyo hiyo inaweza kutoa mifano tofauti sana kulingana na:
-
data unayoilisha
-
mipangilio unayochagua
-
unafanya mazoezi kwa muda gani
-
jinsi seti yako ya data ilivyo chafu (kidokezo: karibu kila mara huwa chafu)
Kwa nini algoriti ya AI ni muhimu (hata kama wewe si "mtaalamu") 📌
Hata kama hujawahi kuandika msimbo, algoriti za AI bado zinakuathiri. Mengi.
Fikiria: vichujio vya barua taka, ukaguzi wa ulaghai, mapendekezo, tafsiri, usaidizi wa upigaji picha za kimatibabu, uboreshaji wa njia, na alama za hatari. (Sio kwa sababu AI iko "hai," lakini kwa sababu utambuzi wa ruwaza kwa kiwango kikubwa una thamani katika maeneo milioni muhimu kimya kimya.)
Na kama unajenga biashara, unasimamia timu, au unajaribu kutochanganyikiwa na lugha nyingi, kuelewa algoriti ya AI ni nini hukusaidia kuuliza maswali bora zaidi:
-
Tambua ni data gani mfumo ulijifunza kutoka kwayo.
-
Angalia jinsi upendeleo unavyopimwa na kupunguzwa.
-
Fafanua kinachotokea wakati mfumo unapokuwa na makosa.
Kwa sababu itakuwa makosa wakati mwingine. Huo sio mtazamo hasi. Huo ndio ukweli.
Jinsi algoriti ya AI "inavyojifunza" (mafunzo dhidi ya utabiri) 🎓➡️🔮
Mifumo mingi ya kujifunza kwa mashine ina awamu mbili kuu:
1) Mafunzo (muda wa kujifunza)
Wakati wa mafunzo, algorithm:
-
anaona mifano (data)
-
hufanya utabiri
-
hupima jinsi ilivyo vibaya
-
hurekebisha vigezo vya ndani ili kupunguza hitilafu [1]
2) Ufafanuzi (kwa kutumia muda)
Uamuzi ni wakati modeli iliyofunzwa inatumika kwenye ingizo mpya:
-
kuainisha barua pepe mpya kama barua taka au la
-
tabiri mahitaji wiki ijayo
-
lebo kwenye picha
-
kutoa jibu [1]
Mafunzo ni "kusoma." Uamuzi ni "mtihani." Isipokuwa mtihani hauishi na watu huendelea kubadilisha sheria katikati ya mtiririko. 😵
Familia kubwa za mitindo ya algoriti ya AI (yenye hisia ya Kiingereza rahisi) 🧠🔧
Kujifunza kunakosimamiwa 🎯
Unatoa mifano yenye lebo kama vile:
-
"Hii ni barua taka" / "Hii si barua taka"
-
"Mteja huyu alichanganyikiwa" / "Mteja huyu alibaki"
Algoritimu hujifunza upangaji ramani kutoka kwa ingizo → matokeo. Ni kawaida sana. [1]
Kujifunza bila usimamizi 🧊
Hakuna lebo. Mfumo hutafuta muundo:
-
makundi ya wateja sawa
-
mifumo isiyo ya kawaida
-
mada katika hati [1]
Kujifunza kwa uimarishaji 🕹️
Mfumo hujifunza kwa kujaribu na kukosea, ukiongozwa na zawadi. (Nzuri wakati zawadi ziko wazi. Husumbua wakati haziko wazi.) [1]
Kujifunza kwa kina (mitandao ya neva) 🧠⚡
Hii ni zaidi ya familia ya mbinu kuliko algoriti moja. Inatumia uwakilishi wa tabaka na inaweza kujifunza mifumo tata sana, hasa katika maono, usemi, na lugha. [1]
Jedwali la kulinganisha: familia maarufu za algoriti za AI kwa muhtasari 🧩
Sio "orodha bora" - zaidi kama ramani kwa hivyo unaacha kuhisi kama kila kitu ni supu moja kubwa ya AI.
| Familia ya Algorithm | Hadhira | "Gharama" katika maisha halisi | Kwa nini inafanya kazi |
|---|---|---|---|
| Urejeshaji wa Mstari | Kompyuta, wachambuzi | Chini | Msingi rahisi na unaoweza kutafsiriwa |
| Urejeshaji wa vifaa | Wanaoanza, timu za bidhaa | Chini | Imara kwa uainishaji wakati ishara ni safi |
| Miti ya Maamuzi | Wanaoanza → wa kati | Chini | Rahisi kuelezea, inaweza kuzidi |
| Msitu Bila Kupangwa | Kati | Kati | Imara zaidi kuliko mti mmoja |
| Kuongeza Upinde wa Rangi (kwa mtindo wa XGBoost) | Kati → ya juu | Kati–juu | Mara nyingi ni bora zaidi kwenye data ya jedwali; urekebishaji unaweza kuwa shimo la sungura 🕳️ |
| Mashine za Vekta za Usaidizi | Kati | Kati | Imara katika baadhi ya matatizo ya ukubwa wa kati; kuchagua kuhusu kuongeza ukubwa |
| Mitandao ya Neva / Kujifunza kwa Kina | Timu za hali ya juu, zenye data nyingi | Juu | Inafaa kwa data isiyo na muundo; gharama za vifaa na marudio |
| K-Means Kundi | Wanaoanza | Chini | Kuweka makundi haraka, lakini hudhani makundi "ya mviringo" |
| Kujifunza kwa Uimarishaji | Watu wa hali ya juu, watafiti | Juu | Hujifunza kupitia jaribio na hitilafu wakati ishara za zawadi ziko wazi |
Ni nini kinachofanya toleo zuri la algoriti ya AI kuwa nzuri? ✅🤔
Algoritimu "nzuri" ya AI si ya kiotomatiki inayopendeza zaidi. Kwa vitendo, mfumo mzuri huwa:
-
Sahihi ya kutosha kwa lengo halisi (sio kamili - yenye thamani)
-
Imara (haivunjiki data inapobadilika kidogo)
-
Inaeleweka vya kutosha (sio lazima iwe wazi, lakini si shimo jeusi kabisa)
-
Haki na upendeleo umehakikiwa (data iliyopotoka → matokeo yaliyopotoka)
-
Ufanisi (hakuna kompyuta kuu kwa kazi rahisi)
-
Inaweza kudumishwa (inayoweza kufuatiliwa, inayoweza kurekebishwa, inayoweza kuboreshwa)
Kesi ndogo ya vitendo ya haraka (kwa sababu hapa ndipo mambo yanapoonekana)
Hebu fikiria mfumo wa "kuchuja" ambao ni "wa kushangaza" katika majaribio ... kwa sababu kwa bahati mbaya ulijifunza proksi ya "mteja ambaye tayari amewasiliana na timu ya uhifadhi." Huo sio uchawi wa kutabiri. Huo ni uvujaji. Utaonekana wa kishujaa hadi utakapoutumia, kisha upasue uso mara moja. 😭
Jinsi tunavyohukumu kama algoriti ya AI ni "nzuri" 📏✅
Huoni tu (baadhi ya watu hufanya hivyo, na kisha machafuko hufuata).
Mbinu za kawaida za tathmini ni pamoja na:
-
Usahihi
-
Usahihi / urejeshaji
-
Alama ya F1 (husawazisha usahihi/kumbukumbu) [2]
-
AUC-ROC (ubora wa cheo kwa uainishaji wa binary) [3]
-
Urekebishaji (ikiwa kujiamini kunalingana na uhalisia)
Na kisha kuna jaribio la ulimwengu halisi:
-
Je, inawasaidia watumiaji?
-
Je, inapunguza gharama au hatari?
-
Je, inaleta matatizo mapya (kengele za uwongo, kukataliwa kwa njia isiyo ya haki, na kuchanganya mtiririko wa kazi)?
Wakati mwingine modeli "mbaya kidogo" kwenye karatasi huwa bora zaidi katika uzalishaji kwa sababu ni thabiti, inaeleweka, na ni rahisi kufuatilia.
Mitego ya kawaida (pia inajulikana kama jinsi miradi ya AI inavyoenda kando kimya kimya) ⚠️😵💫
Hata timu imara zilifikia haya:
-
Kutoshea kupita kiasi (bora kwenye data ya mafunzo, mbaya zaidi kwenye data mpya) [1]
-
Uvujaji wa data (uliofunzwa na taarifa ambazo hutakuwa nazo wakati wa utabiri)
-
Masuala ya upendeleo na haki (data ya kihistoria ina ukosefu wa haki wa kihistoria)
-
Mkondo wa dhana (ulimwengu hubadilika; mfumo haubadiliki)
-
Vipimo visivyopangwa vizuri (unaboresha usahihi; watumiaji wanajali kitu kingine)
-
Hofu ya kisanduku cheusi (hakuna anayeweza kuelezea uamuzi huo wakati ghafla ni muhimu)
Suala moja zaidi lisiloeleweka: upendeleo wa kiotomatiki - watu huamini mfumo kupita kiasi kwa sababu hutoa mapendekezo ya uhakika, ambayo yanaweza kupunguza umakini na ukaguzi huru. Hili limeandikwa katika utafiti wa usaidizi wa maamuzi, ikiwa ni pamoja na miktadha ya huduma ya afya. [4]
"Akili bandia inayoaminika" si jambo la kufurahisha - ni orodha ya ukaguzi 🧾🔍
Ikiwa mfumo wa AI unaathiri watu halisi, unataka zaidi ya "kuwa sahihi katika kiwango chetu."
Muundo imara ni usimamizi wa hatari wa mzunguko wa maisha: mpango → jenga → jaribu → tumia → fuatilia → sasisha. Mfumo wa Usimamizi wa Hatari wa AI wa NIST unaweka sifa za AI "inayoaminika" kama vile halali na ya kuaminika, salama, salama na imara, inayowajibika na ya uwazi, inayoeleweka na inayoweza kutafsiriwa, iliyoimarishwa kwa faragha, na ya haki (upendeleo hatari unaodhibitiwa). [5]
Tafsiri: unauliza kama inafanya kazi.
Pia unauliza kama inashindwa kwa usalama, na kama unaweza kuonyesha hilo.
Mambo Muhimu ya Kuzingatia 🧾✅
Usipochukua chochote kingine kutoka kwa hili:
-
Algorithm ya AI = mbinu ya kujifunza, mapishi ya mafunzo
-
Mfano wa AI = matokeo yaliyofunzwa unayotumia
-
AI nzuri si "nadhifu" tu - inaaminika , inafuatiliwa, imepimwa kwa upendeleo, na inafaa kwa kazi hiyo
-
Ubora wa data ni muhimu zaidi kuliko watu wengi wanavyotaka kukubali
-
Algorithm bora kwa kawaida ni ile inayotatua tatizo bila kuunda matatizo matatu mapya 😅
Mfano halisi: Kujaribu algoriti ya utabiri wa kukwama kabla ya kuzinduliwa 📉🧪
Hali
Hebu fikiria kampuni ndogo ya programu za usajili inayotaka kutabiri ni wateja gani wanaoweza kughairi ndani ya siku 30 zijazo.
Timu ina miezi 18 ya data ya mteja: marudio ya kuingia, tiketi za usaidizi, aina ya mpango, ucheleweshaji wa malipo, matumizi ya bidhaa, tarehe za kusasisha, na kama kila mteja hatimaye alighairi. Mchambuzi wa data huunda matoleo mawili ya modeli: msingi rahisi wa urejeshaji wa vifaa na modeli changamano zaidi ya kuongeza mteremko.
Lengo si "kupata algoriti bora zaidi." Lengo ni kupata mfumo unaosaidia timu ya mafanikio ya wateja kuwasiliana na akaunti sahihi mapema, bila kupoteza nusu wiki kufuatilia kengele za uongo.
Kinachohitajika katika mtiririko wa kazi
Kabla ya kuchagua algoriti, timu huandaa:
-
Seti safi ya data ya mafunzo yenye safu moja kwa kila mteja
-
Lebo iliyo wazi: "Imefutwa ndani ya siku 30" ndiyo/hapana
-
Orodha ya safu wima zinazopatikana kabla ya tarehe ya utabiri
-
Seti ya majaribio ya kusubiri kutoka miezi mitatu ya hivi karibuni
-
Mchakato rahisi wa mapitio ya chanya na hasi zisizo za kweli
-
Sheria kwamba hakuna alama ya hatari ya kughairi kiotomatiki inayoonyeshwa kwa wateja
Uhakiki mmoja muhimu: ondoa chochote kinachovuja jibu. Kwa mfano, "punguzo linalotolewa na timu ya uhifadhi" halipaswi kutumika ikiwa hilo litatokea tu baada ya mtu tayari kushukiwa kughairi.
Mfano wa maelekezo
Tumia maagizo haya unapomuuliza msaidizi au mchambuzi wa akili bandia (AI) kukagua usanidi:
Kagua muundo huu wa seti ya data ya utabiri wa kufutwa. Tambua safu wima zozote zinazoweza kusababisha uvujaji wa data, vipengele vyovyote vinavyoweza kupotosha utabiri, na vipimo vyovyote tunavyopaswa kufuatilia kabla ya kupelekwa. Mfumo huo utatumiwa na timu ya mafanikio ya wateja ili kuweka kipaumbele katika kufikia wateja, si kufanya maamuzi ya kiotomatiki ya akaunti.
Jinsi ya kuijaribu
Jaribu modeli kwa maswali kama:
-
Je, mfumo bado unafanya kazi kwenye data ya miezi mitatu ya hivi karibuni?
-
Ni safu wima zipi 10 zinazoathiri zaidi utabiri?
-
Je, wateja walio na mipango ya bei nafuu wanaripotiwa mara nyingi zaidi kwa sababu zisizohusiana na hatari halisi ya kukwama kwa bei?
-
Ni wateja wangapi waliopewa alama ambao timu ingekuwa na muda wa kuwasiliana nao kila wiki?
-
Nini kitatokea ikiwa matumizi ya bidhaa yatapungua kwa kila mtu wakati wa likizo?
Mtihani mzuri ni wa vitendo, si wa hisabati pekee. Ikiwa mfumo utawafikia wateja 600 kwa wiki na timu inaweza kuwasiliana na 80 pekee, algoriti inaweza kuwa sahihi lakini bado imeundwa vibaya kwa ajili ya mtiririko wa kazi.
Matokeo
Matokeo ya kielelezo: kulingana na seti ya majaribio ya akaunti 1,000 za wateja, modeli rahisi ya urejeshaji wa vifaa ilifikia ukumbusho wa 71% na usahihi wa 42%. modeli ya kuongeza upinde ilifikia ukumbusho wa 78% na usahihi wa 48%, lakini ilihitaji ukaguzi wa ziada kwa sababu vipengele vyake vya juu vilijumuisha hatari mbili zinazowezekana za uvujaji.
Baada ya kuondoa safu wima zinazoweza kuvuja, modeli ya kuongeza mteremko ilipungua kidogo hadi 74% ya ukumbusho na usahihi wa 46%. Hiyo bado ilikuwa muhimu: katika ukaguzi wa kila wiki wa akaunti 100 zilizotiwa alama, timu inaweza kutarajia takriban wateja 46 walio katika hatari kubwa badala ya kuwasiliana na akaunti bila mpangilio.
Makadirio ya muda: ikiwa ukaguzi wa akaunti kwa mikono unachukua dakika 6 kwa kila mteja, kukagua akaunti 100 zilizochaguliwa bila mpangilio kutachukua saa 10. Kutumia mfumo huu kuorodhesha hatari zinazoweza kutokea huweka muda wa ukaguzi katika saa 10 lakini huongeza idadi ya majaribio ya ufikiaji yenye manufaa. Kipimo cha kuthibitisha ni rahisi: kufuatilia ni wateja wangapi walioripotiwa waliwasiliana, ni wangapi walikuwa hatarini kweli, na ni wangapi waliohifadhi usajili wao baada ya ufikiaji.
Ni nini kinachoweza kwenda vibaya
Mfano unaweza kuonekana bora zaidi kuliko ulivyo ikiwa seti ya data inajumuisha taarifa za siku zijazo, kama vile ofa za kuhifadhi wateja, majibu ya utafiti wa kughairi, au maelezo ya usaidizi yaliyoandikwa baada ya mteja kuamua kuondoka.
Timu inaweza pia kuangukia katika upendeleo wa kiotomatiki. Alama ya "hatari kubwa" inapaswa kusababisha ukaguzi wa kibinadamu, si barua pepe ya roboti inayowakera wateja waaminifu.
Kosa jingine ni kutafuta usahihi pekee. Ikiwa ni 5% tu ya wateja wataghairi, mfumo wa uvivu unaotabiri "hakuna atakayeghairi" unaweza kuonekana sahihi huku ukikosa kutoa thamani yoyote ya vitendo.
Kuchukua kwa vitendo
Algorithm bora ya AI ni ile inayoendelea kustahimili mgongano na mtiririko wa kazi wa moja kwa moja. Anza na msingi, angalia uvujaji, jaribu data ya hivi karibuni, pima kengele za uwongo, na hakikisha wanadamu wanajua wakati wa kuhoji alama.
Maswali Yanayoulizwa Mara kwa Mara
Algoriti ya AI ni nini kwa maneno rahisi?
Algoritimu ya AI ni njia ambayo kompyuta hutumia kujifunza mifumo kutoka kwa data na kufanya maamuzi. Badala ya kutegemea sheria zisizobadilika za "ikiwa-basi", hujirekebisha baada ya kuona mifano mingi au kupokea maoni. Lengo ni kuboresha utabiri au uainishaji wa ingizo mpya baada ya muda. Ina nguvu, lakini bado inaweza kufanya makosa ya kujiamini.
Kuna tofauti gani kati ya algoriti ya AI na modeli ya AI?
Algoriti ya AI ni mchakato wa kujifunza au kichocheo cha mafunzo - jinsi mfumo unavyojisasisha kutoka kwa data. Mfano wa AI ni matokeo yaliyofunzwa unayoendesha ili kufanya utabiri kwenye ingizo mpya. Algoriti hiyo hiyo ya AI inaweza kutoa mifumo tofauti sana kulingana na data, muda wa mafunzo, na mipangilio. Fikiria "mchakato wa kupikia" dhidi ya "mlo uliomalizika."
Algorithm ya AI hujifunzaje wakati wa mafunzo dhidi ya uhitimisho?
Mafunzo ni wakati algoriti inasoma: inaona mifano, hufanya utabiri, hupima makosa, na hurekebisha vigezo vya ndani ili kupunguza hitilafu hiyo. Uamuzi ni wakati modeli iliyofunzwa inatumiwa kwenye ingizo mpya, kama vile kuainisha barua taka au kuweka lebo kwenye picha. Mafunzo ni awamu ya kujifunza; uamuzi ni awamu ya kutumia. Masuala mengi hujitokeza tu wakati wa uamuzi kwa sababu data mpya hufanya kazi tofauti na kile ambacho mfumo ulijifunza.
Ni aina gani kuu za algoriti za AI (zinazosimamiwa, zisizosimamiwa, zinazoimarishwa)?
Kujifunza kwa usimamizi hutumia mifano yenye lebo ili kujifunza uchoraji ramani kutoka kwa ingizo hadi matokeo, kama vile barua taka dhidi ya si barua taka. Kujifunza bila usimamizi hakuna lebo na hutafuta muundo, kama vile makundi au mifumo isiyo ya kawaida. Kujifunza kwa kuimarisha hujifunza kwa kujaribu na kukosea kwa kutumia zawadi. Kujifunza kwa kina ni familia pana ya mbinu za mtandao wa neva ambazo zinaweza kunasa mifumo tata, hasa kwa kazi za kuona na lugha.
Unajuaje kama algoriti ya AI ni "nzuri" katika maisha halisi?
Algoriti nzuri ya AI si moja kwa moja iliyo ngumu zaidi - ni ile inayofikia lengo kwa uhakika. Timu huangalia vipimo kama usahihi, usahihi/kumbukumbu, F1, AUC-ROC, na urekebishaji, kisha hujaribu utendaji na athari ya chini katika mipangilio ya usanidi. Uthabiti, uelezeo, ufanisi, na uendelevu ni muhimu sana katika uzalishaji. Wakati mwingine modeli dhaifu kidogo kwenye karatasi hushinda kwa sababu ni rahisi kufuatilia na kuamini.
Uvujaji wa data ni nini, na kwa nini unavunja miradi ya AI?
Uvujaji wa data hutokea wakati modeli inajifunza kutoka kwa taarifa ambazo hazitapatikana wakati wa utabiri. Hii inaweza kufanya matokeo yaonekane ya kushangaza katika majaribio huku yakishindwa vibaya baada ya kupelekwa. Mfano wa kawaida ni kutumia ishara zinazoakisi vitendo vilivyochukuliwa baada ya matokeo, kama vile mawasiliano ya timu ya uhifadhi katika modeli ya churn. Uvujaji huunda "utendaji bandia" ambao hupotea katika mtiririko halisi wa kazi.
Kwa nini algoriti za AI huzidi kuwa mbaya baada ya muda hata kama zilikuwa sahihi wakati wa uzinduzi?
Data hubadilika baada ya muda - wateja hutenda tofauti, sera hubadilika, au bidhaa hubadilika - na kusababisha dhana kubadilika. Mfano hubaki vile vile isipokuwa ukifuatilia utendaji na kuusasisha. Hata mabadiliko madogo yanaweza kupunguza usahihi au kuongeza kengele za uwongo, haswa ikiwa mfumo ulikuwa dhaifu. Tathmini inayoendelea, mafunzo upya, na mazoea ya uwekaji makini ni sehemu ya kuweka mfumo wa AI ukiwa na afya.
Ni mitego gani ya kawaida wakati wa kutumia algoriti ya AI?
Kutoshea kupita kiasi ni jambo kubwa: modeli hufanya vizuri kwenye data ya mafunzo lakini vibaya kwenye data mpya. Matatizo ya upendeleo na usawa yanaweza kuonekana kwa sababu data ya kihistoria mara nyingi huwa na ukosefu wa haki wa kihistoria. Vipimo visivyopangwa vizuri vinaweza pia kuzama miradi - kuboresha usahihi wakati watumiaji wanapojali kitu kingine. Hatari nyingine ndogo ni upendeleo wa kiotomatiki, ambapo wanadamu huamini kupita kiasi matokeo ya modeli yenye ujasiri na kuacha kuangalia mara mbili.
"Akili bandia inayoaminika" inamaanisha nini katika vitendo?
AI ya kuaminika si tu "usahihi wa hali ya juu" - ni mbinu ya mzunguko wa maisha: kupanga, kujenga, kujaribu, kusambaza, kufuatilia, na kusasisha. Kwa vitendo, unatafuta mifumo ambayo ni halali na ya kuaminika, salama, inayowajibika, inayoeleweka, inayozingatia faragha, na iliyoangaliwa kwa upendeleo. Pia unataka njia za kushindwa zinazoeleweka na zinazoweza kurejeshwa. Wazo muhimu ni kuweza kuonyesha kuwa inafanya kazi na inashindwa kwa usalama, si kutumaini tu kwamba inafanya kazi.
Marejeleo
-
Wasanidi Programu wa Google - Faharasa ya Kujifunza kwa Mashine
-
Goddard na wenzake - Mapitio ya kimfumo ya upendeleo wa kiotomatiki (maandishi kamili ya PMC)