商务合作 电话：17719878617
如今，似乎每个公司都在用人工智能做事 - 或者如果他们不做，他们就会喜欢。该技术有望改善我们的工作和生活方式，从制造到零售，检查等各个行业都在努力构建自己的AI解决方案。但从哪里开始？
我喜欢说AI就像烹饪一样 - 这些都是关于成分的。没有好的成分，即使最好的食谱也会变得平淡无味。AI也是如此，但在这种情况下，成分就是你的数据。如果组织不密切关注他们开发人工智能解决方案所需的数据并确保其有效准备和组织，那么人工智能解决方案将充满效率低下 - 无论结果是有偏见的算法，无效的解决方案，还是仅仅没有人工智能的人工智能不行。
高功能的AI以良好的数据开始和结束。
训练深度神经网络（DNN）的最大挑战之一是训练它们的繁琐过程 - 人工智能系统不仅需要数据来了解世界，它们还需要数万倍于人类的数据。
幸运的是，我们人类目前每天产生2.5个五分之一字节的数据。互联网是绝对数据金矿。不幸的是，大部分都不公平，因为人们通常不愿意分享他们的个人数据，即使这意味着建立更好的人工智能系统。
而且，如果你足够幸运地克服了拥有足够数据的障碍，那么仍然存在质量问题。并非所有数据都是平等的。为了识别物体或行为，必须从各种角度等对所有不同条件下的数据进行AI训练。否则，算法偏差是不可避免的。
正如数据科学家Daniel Shapiro在最近的一篇文章中所详述的那样，存在许多不同的数据质量缺陷，包括数据稀疏性，数据损坏，无关数据，缺少重要模式，错误模式和错误标签。
最成功的公司是那些能够打破整个组织的数据孤岛并收集他们可用数据的整体视图的公司。一旦他们完成了这项工作，他们就能够创建增强数据的流程，以达到产品化解决方案所需的水平。
这就是好数据存在的地方：它们拥有它，并且非常适合它们的特定用例。
人们经常问我需要多少数据来创建有意义的解决方案。对于给定用例，我们的经验法则是1000个图像/类是进入的障碍，并且为了达到生产水平准确度（90％+），需要5,000-10,000个图像/类。
然而，质量问题 - 即使看起来有足够数量的数据 - 也占上风。我在检测行业看到了这方面的例子，我惊讶于他们有多少图像只关注一个物体的一个角度，或者仅在一个特定的光照条件下拍摄。像这样的照片不会给他们的人工智能无人机提供他们完成工作所需的信息。
换句话说，坏照片等于糟糕的无人机。
但重要的不仅仅是照片本身的质量; 在标记过程中，有足够的机会让好的照片变得拙劣。
由于AI应用程序需要标记数千个图像，因此人类可能标记不佳或引入错误 - 特别是因为当前工具是简单的图片编辑工具，如Microsoft Paint，它们不是为此目的而构建的。即使很小的不精确，复杂的成千上万的图像，也会对计算机视觉模型的准确性产生很大的影响。如果您考虑生产级产品或解决方案，准确度每增加一个百分点就会对组织产生重大影响。
值得一提的是，由于数据标记成本与标记所花费的时间成正比，因此单独执行此步骤通常需要每个项目花费数十至数十万美元。
我最近参加了一个关于为检查服务实施AI的网络研讨会。主持人谈到他们如何每小时支付五十到一百美元让土木工程师进行注释和分类工作。他们觉得他们需要行业专家来标记这些图像，但这花费了他们巨额资金，这是他们最大的瓶颈。
Scale API，Mighty AI和CloudFactory等数据标签服务与数百家贴标机（通常在海外）签订合同，是一种更有效，更具成本效益的替代方案。同时，希望在内部处理标记的公司需要一个精确的，自动化的，专用的注释工具。
工程师经常将AI开发称为“sprint”，努力快速测试，迭代和部署AI。但是，人工智能深深植根于研究，现实情况是，传统上，生产的道路很漫长。但是，使用正确的数据标记工具，可以实现快速测试 - 反过来，可以实现更快的迭代和部署。
投资最好的工具和合适的人员来准确有效地注释您的数据将对生产级AI解决方案的成功产生巨大影响。而且 - 运气好的话 - 数据标记和AI应用程序开发成功的“配方”将让您的客户回来几秒钟。
了解组织应用开发项目的最佳方法，保持代码直观，客户满意，并通过发布更轻松地呼吸。
弥合众包研究的孤岛，更快地建立更好的解决方案。
编写并运行代码的每一步，使用Android Studio创建与其他应用程序集成的应用程序，从Web下载和显示图片，播放声音等。每个章节和应用程序都经过设计和测试，以提供您开始Android开发所需的知识和经验。
如何创建有利可图的可持续业务开发和营销移动应用程序。
