เป็นปัญญาประดิษฐ์ มีความก้าวหน้ามากขึ้น ก่อนหน้านี้มีความล้ำสมัย — แต่โดยทั่วไป — โมเดล AI กำลังกลายเป็นเรื่องธรรมดา เช่น Google Cloud's วิสัยทัศน์ AI or ความหมายของ Amazon.
แม้ว่าจะมีประสิทธิภาพในบางกรณี แต่โซลูชันเหล่านี้ไม่เหมาะกับความต้องการเฉพาะอุตสาหกรรมตั้งแต่แกะกล่อง องค์กรที่แสวงหาผลลัพธ์ที่แม่นยำที่สุดจากโครงการ AI ของตน จะต้องหันไปใช้โมเดลเฉพาะอุตสาหกรรม
ทีมใดก็ตามที่ต้องการขยายขีดความสามารถด้าน AI ควรนำข้อมูลและกรณีการใช้งานไปใช้กับโมเดลทั่วไปและประเมินผลลัพธ์ก่อน
มีสองสามวิธีที่บริษัทสามารถสร้างผลลัพธ์เฉพาะอุตสาหกรรมได้ หนึ่งคือการนำแนวทางไฮบริดมาใช้ โดยใช้โมเดล AI ทั่วไปแบบโอเพนซอร์สและฝึกอบรมเพิ่มเติมเพื่อให้สอดคล้องกับความต้องการเฉพาะของธุรกิจ บริษัทต่างๆ ยังสามารถมองหาผู้จำหน่ายบุคคลที่สาม เช่น IBM หรือ C3 และเข้าถึงโซลูชันที่สมบูรณ์ได้ทันที หรือหากจำเป็นจริงๆ ทีมวิทยาศาสตร์ข้อมูลสามารถสร้างแบบจำลองของตนเองภายในองค์กรได้ตั้งแต่ต้น
มาเจาะลึกในแต่ละแนวทางเหล่านี้และวิธีที่ธุรกิจสามารถตัดสินใจได้ว่าวิธีใดใช้ได้ผลในสถานการณ์ที่แตกต่างกัน
รุ่นทั่วไปอย่างเดียวมักไม่ตัด
โมเดล AI ทั่วไป เช่น Vision AI หรือ Rekognition และโมเดลโอเพ่นซอร์สจาก TensorFlow หรือ Scikit-learn มักจะล้มเหลวในการสร้างผลลัพธ์ที่เพียงพอเมื่อพูดถึงกรณีการใช้งานเฉพาะในอุตสาหกรรม เช่น การเงินหรือภาคพลังงาน ธุรกิจจำนวนมากมีความต้องการเฉพาะตัว และโมเดลที่ไม่มีข้อมูลเชิงบริบทของอุตสาหกรรมบางประเภทจะไม่สามารถให้ผลลัพธ์ที่เกี่ยวข้องได้
การสร้างบนโมเดลโอเพนซอร์ส
ที่ ThirdEye Data เมื่อเร็ว ๆ นี้เราได้ทำงานร่วมกับบริษัทสาธารณูปโภคเพื่อแท็กและตรวจจับข้อบกพร่องในเสาไฟฟ้าโดยใช้ AI ในการวิเคราะห์ภาพนับพัน เราเริ่มใช้ Google Vision API และพบว่าไม่สามารถให้ผลลัพธ์ที่ต้องการได้ เนื่องจากค่าความแม่นยำและการเรียกคืนของแบบจำลอง AI นั้นใช้งานไม่ได้โดยสิ้นเชิง แบบจำลองไม่สามารถอ่านอักขระภายในแท็กบนเสาไฟฟ้าได้ 90% ของเวลา เนื่องจากไม่ได้ระบุแบบอักษรที่ไม่เป็นมาตรฐานและสีพื้นหลังที่แตกต่างกันที่ใช้ในแท็ก
ดังนั้นเราจึงนำโมเดลคอมพิวเตอร์วิทัศน์พื้นฐานจาก TensorFlow และปรับให้เหมาะกับความต้องการที่แม่นยำของบริษัทยูทิลิตี้ หลังจากสองเดือนของการพัฒนาโมเดล AI เพื่อตรวจจับและถอดรหัสแท็กบนเสาไฟฟ้า และอีกสองเดือนของการฝึกโมเดลเหล่านี้ ผลลัพธ์แสดงระดับความแม่นยำมากกว่า 90% สิ่งเหล่านี้จะปรับปรุงอย่างต่อเนื่องเมื่อเวลาผ่านไปด้วยการฝึกซ้ำ
ทีมใดก็ตามที่ต้องการขยายขีดความสามารถด้าน AI ควรนำข้อมูลและกรณีการใช้งานไปใช้กับโมเดลทั่วไปและประเมินผลลัพธ์ก่อน อัลกอริธึมโอเพนซอร์ซที่บริษัทสามารถเริ่มต้นได้นั้นสามารถพบได้ในเฟรมเวิร์ก AI และ ML เช่น TensorFlow, Scikit-learn หรือ Microsoft Cognitive Toolkit ที่ ThirdEye Data เราใช้อัลกอริทึม Convolutional Neural Network (CNN) บน TensorFlow
จากนั้น หากผลลัพธ์ไม่เพียงพอ ทีมงานสามารถขยายอัลกอริทึมโดยการฝึกอบรมเพิ่มเติมเกี่ยวกับข้อมูลเฉพาะอุตสาหกรรมของตนเอง
ที่มา: https://techcrunch.com/2021/04/12/how-to-choose-and-deploy-industry-specific-ai-models/
- เข้า
- AI
- ขั้นตอนวิธี
- อัลกอริทึม
- อเมซอน
- นักลงทุนเทวดา
- API
- การใช้งาน
- กล่อง
- สร้าง
- ธุรกิจ
- กรณี
- ผู้บริหารสูงสุด
- ซีเอ็นเอ็น
- ความรู้ความเข้าใจ
- บริษัท
- บริษัท
- วิสัยทัศน์คอมพิวเตอร์
- ต่อ
- เครือข่ายประสาทเทียม
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- มีประสิทธิภาพ
- ติดตั้งระบบไฟฟ้า
- พลังงาน
- ผู้ประกอบการ
- แสดง
- เงินทุน
- ชื่อจริง
- ผู้สร้าง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- เป็นลูกผสม
- ไอบีเอ็ม
- แยกแยะ
- อุตสาหกรรม
- อุตสาหกรรม
- นักลงทุน
- IT
- ไมโครซอฟท์
- ML
- แบบ
- เดือน
- เครือข่าย
- ประสาท
- เครือข่ายประสาท
- ความแม่นยำ
- โครงการ
- ผลสอบ
- การอบรมขึ้นใหม่
- วิทยาศาสตร์
- หุบเขาซิลิคอน
- โซลูชัน
- เริ่มต้น
- ข้อความที่เริ่ม
- startups
- tensorflow
- เวลา
- ด้านบน
- การฝึกอบรม
- ประโยชน์
- ผู้ขาย
- วิสัยทัศน์
- ภายใน
- โรงงาน