เรียนรู้วิธีการรวมแนวทางปฏิบัติด้าน AI ที่รับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow

ระบบ ML ของฉันเหมาะกับใคร?

วิธีที่ผู้ใช้จริงสัมผัสกับระบบของคุณเป็นสิ่งสำคัญในการประเมินผลกระทบที่แท้จริงของการคาดการณ์คำแนะนำและการตัดสินใจ ตรวจสอบให้แน่ใจว่าได้รับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆในกระบวนการพัฒนาของคุณ

ฉันใช้ชุดข้อมูลตัวแทนหรือไม่

ข้อมูลของคุณถูกสุ่มตัวอย่างในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่นจะใช้สำหรับทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และการตั้งค่าในโลกแห่งความเป็นจริง (เช่นจะใช้ตลอดทั้งปี แต่คุณมีการฝึกอบรม ข้อมูลจากฤดูร้อน)?

มีอคติในโลกแห่งความเป็นจริง / มนุษย์ในข้อมูลของฉันหรือไม่?

อคติที่แฝงอยู่ในข้อมูลสามารถนำไปสู่ลูปข้อเสนอแนะที่ซับซ้อนซึ่งเสริมสร้างแบบแผนเดิมที่มีอยู่

ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน

ใช้วิธีการฝึกอบรมที่สร้างความเป็นธรรมความสามารถในการตีความความเป็นส่วนตัวและความปลอดภัยให้กับโมเดล

โมเดลของฉันทำงานเป็นอย่างไร?

ประเมินประสบการณ์ของผู้ใช้ในสถานการณ์จริงในกลุ่มผู้ใช้ที่หลากหลายกรณีการใช้งานและบริบทการใช้งาน ทดสอบและทำซ้ำในการลองใช้ก่อนตามด้วยการทดสอบต่อไปหลังจากเปิดตัว

มีลูปข้อเสนอแนะที่ซับซ้อนหรือไม่?

แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน แต่โมเดลที่ใช้ ML ก็แทบจะไม่สามารถทำงานได้อย่างสมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลจริงที่มีอยู่จริง เมื่อปัญหาเกิดขึ้นในผลิตภัณฑ์ที่ใช้งานจริงให้พิจารณาว่าปัญหานั้นสอดคล้องกับข้อเสียทางสังคมที่มีอยู่หรือไม่และจะได้รับผลกระทบจากการแก้ปัญหาทั้งในระยะสั้นและระยะยาวอย่างไร