Einführung in das AI Teil 2 – Wo kann ich anfangen?

1. Einführung in den Kurs 2: Hallo, vielen Dank, dass Sie auf diesen A0-Produktmanagement-Kurs geklickt haben. Ich heiße Kristin. Ich arbeite seit fast zehn Jahren in der IT und seit fast fünf Jahren in den Bereichen Data Science und Computer Vision. Hallo, ich bin Lizzie und willkommen zum Kurs. Ich habe in den letzten drei Jahren auch in die KI-Produktentwicklung eingebunden den letzten drei Jahren auch in die KI-Produktentwicklung und an der Automatisierung des Verifizierungsprozesses mit maschinellem Lernen und speziell mit Computer Vision gearbeitet . In diesem Kurs werden wir uns eingehender mit der KI-Produktentwicklung befassen. Wir werden die Unterschiede zwischen einer Denkweise der Softwareentwicklung und der Denkweise der KI-Produktentwicklung diskutieren einer Denkweise der Softwareentwicklung und der Denkweise . Außerdem werden wir untersuchen, warum KI-Produkte so viel Zeit für die Wartung benötigen und warum sie sich im Laufe der Zeit verschlechtern. Als letztes in diesem Kurs werden wir uns die drei Schritte ansehen, die Sie sicherstellen müssen, und über die Sie nachdenken müssen sicherstellen müssen, und über die Sie nachdenken , wenn Sie Ihr erstes Ai-Projekt erstellen. Danke. 2. Mindset in der KI-Entwicklung: In der vorherigen Lektion haben wir darüber gesprochen, dass ein Computer in der Lage ist, Aufgaben auszuführen , die normalerweise von Menschen ausgeführt werden. Die meisten KI-Anwendungen arbeiten mit ganz bestimmten Aufgaben. der KI-Entwicklung und Softwareentwicklung Prozesse der KI-Entwicklung und Softwareentwicklung sind sehr unterschiedlich. Darüber werden wir auch in dieser Lektion ausführlicher diskutieren . Wir haben über KI-Produktanforderungen gesprochen und darüber, wovon sie abhängen. Und wir haben über KI-Produkte gesprochen und darüber, welche Art von KI heute tatsächlich beinhaltet. Das heutige Thema ist, in welcher Art von Arbeit man tatsächlich leben soll. In Bezug auf Daten. Es ist manchmal gut, ob wir in einer Welt leben , in der alles sein soll, oder in einer Welt, in der wir mit unseren eigenen Entscheidungen ihre eigene Zukunft gestalten. Wir verstehen, dass es Aufgaben gibt , die zu einem bestimmten Ergebnis führen und dass es Entscheidungen gibt, die zu einer Überraschung oder einem unerwarteten Ergebnis führen . Diese Welt kann als deterministische und probabilistische Welt beschrieben werden. Der Begriff deterministische Welt bedeutet, dass wir wissen, was passieren wird, wenn Sie eine Sache tun, andere Sache wird definitiv passieren. Klassische Software-Engineering-Probleme sind einfach so. Deterministisch. Wenn Sie auf eine Schaltfläche klicken, tut sie etwas, wofür sie programmiert ist. Ich meine natürlich, es sei denn, es gibt einen Bug. Aber wenn wir über KI-Produkte oder NEA-Funktionalität sprechen , tendieren wir mehr in eine nicht-deterministische, auch probabilistische Welt genannt. Dies bedeutet, dass wir nicht sicher sein können, was das Modell tun wird. Dies ist besonders wichtig, um zu verstehen, wann Mütter in eine unbekannte Situation gebracht werden . Zum Beispiel, wenn die Eingabedaten geringfügig von der regulären Norm abweichen. In der Computer Vision würde dies bedeuten, dass das Bild Objekte oder Umgebungen enthält die das Modell nicht gewöhnt ist. Lassen Sie uns das genauer erklären. Wenn eine Aktivität auftritt, z. B. Drücken einer Taste oder das Eingeben einer Abfrage oder das Empfangen von Daten in einem Formular. Es gibt immer konkrete Funktionen , die damit zusammenhängen. Sie klicken auf eine Schaltfläche, die nächste Seite wird geöffnet oder eine Abfrage wird eingegeben, und dann wird das Ergebnis nach einer Datenbank gesucht. Oder drittes Beispiel: Daten empfangen und automatisch in der Datenbank gespeichert. Obwohl die Dinge deterministisch sind. Aber dann ist Klick passiert. Klick ist gleich true und dann wird etwas Vordefiniertes erledigt. Aber was ist mit der probabilistischen Welt? Es gibt ein ausgewogenes Verhältnis von Statistiken und Vermutungen. Wir wissen also nicht genau , ob etwas passieren wird, aber wir können es anhand früherer Muster vorhersagen. Wenn Sie beispielsweise ein bellendes Geräusch eines Hundespielers sehen oder bei der Betrugserkennung, falls es scheint, oder Felder, die Benutzer X seltsamerweise gesendet hat, senden Sie sie zur weiteren Überprüfung. Der Hauptunterschied zur deterministischen Welt besteht darin, dass wir zu 100% sicher sind , dass etwas passiert ist oder passieren wird. Es ist nicht so, wie es vielleicht gibt, was ein Klick auf eine Schaltfläche ist, lass uns die Daten trotzdem senden. Aber unsere KI-Algorithmen, deterministisch oder probabilistisch, wir können sagen, dass sie es sind, sind deterministisch in dem Sinne, dass sie dem Algorithmus oder dem Modell folgen, aber in dem Sinne probabilistisch um diesen Algorithmus zu erstellen. Wenn wir also ein Modell trainieren, verwendet es Statistiken, um das Ergebnis vorherzusagen , was bedeutet, dass es probabilistisch ist. Aber wenn dieses Zugmodell dann in einem Produkt verwendet wird , sagt es genau nach den Regeln oder dem voraus, oder der Algorithmus ist darauf trainiert. Wir können auch einen kurzen Blick auf deterministische und probabilistische Daten werfen. Probabilistische Daten sind Daten, die auf Verhaltensereignissen wie Seitenaufrufen basieren , Zeit, die auf der Seite verbracht wird, sind Klickraten. Diese Art von Daten kann für Vorhersagemodelle verwendet werden. Zum Beispiel kann es für das Clustering verwendet werden. Benutzer schlagen Ihrem Kunden Artikel vor. Deterministische Daten sind mit etwas verknüpft , das den Benutzer identifiziert, wie eine E-Mail-Adresse oder eine Cookie-Ideen-ID. Und sie sind höchstwahrscheinlich zu 100% wahr. Dies kann als Tatsache oder Eigenschaft eines Benutzers angesehen werden. Wenn sich ein Benutzer beispielsweise bei einer Plattform anmeldet und sein aktuelles Alter angibt , ist es eine Tatsache, dass der Kunde im folgenden Jahr ein Jahr älter ist. Aber wenn derselbe Benutzer die Plattform zehnmal weniger nutzt, können wir nicht sicher sein, ob er oder sie nächstes Jahr dieselbe Plattform verwenden wird, 1110 oder neun Mal. Wir können zwar viele Benutzer mit ähnlichem Verhalten im letzten Jahr gruppieren und analysieren und eine Vermutung oder Vorhersage treffen, wie er oder sie nächstes Jahr aussehen könnte. Aber wir wissen es nicht genau. Wenn wir also über Denkweise sprechen, wenn wir unsere Produkte entwickeln, müssen wir verstehen, dass die reale Welt nicht deterministisch ist. reale Welt ist nicht schwarz und weiß. Es ist, wir können sagen, Fifty Shades of Grey. Also gehen wir in eine probabilistische Welt und müssen all diese Vorhersagen darauf basierend treffen KI löst probabilistische Herausforderungen. Wenn ein großartiger Tag oder Produkte sind, müssen wir die probabilistische Welt verstehen und sie in Daten strukturieren , die die Welt um uns herum auf eine Weise beschreiben , die für KI sinnvoll ist. In der letzten Lektion haben wir den Unterschied der Prozesse zwischen Softwareentwicklung und Produktentwicklung erörtert . Aber wie beeinflusst diese probabilistische Welt die Entwicklung genauer? Bei Software-Engineering-Produkten besteht also eine hohe Wahrscheinlichkeit , dass das Ergebnis bekannt ist. Die Entwicklungszeit kann recht gut eingeschätzt werden. Menschen nutzen Scrum-Prozesse und andere Dinge , um besser einschätzen zu können. Das Ziel kann durch Mockups, Spezifikationsanalysen beschrieben werden. Es gibt etablierte Best Practices des Engineering-Prozesses. Und Produktprobleme verschieben sich nicht so oft. Und wenn die Funktion fertig ist, ist es meistens so, dass sie höchstwahrscheinlich noch lange so bleibt. Aber wenn wir über KI-Produkte sprechen, können wir uns über nichts wirklich sicher sein. Es gab Hoffnung auf ein Ergebnis. Sie möchten, dass das Modell etwas tut, aber Sie können nicht sicher sein, ob es das tatsächlich tut. Sie können Aufgaben nicht wirklich schätzen, aber Sie können Timeboxen. Es ist also mehr oder weniger unbekannt, wie lange es dauern wird, das Fahrrad neu zu erfinden. Es gibt also viele Vermutungen. Das Ziel des Modells wird anhand von Datenbeispielen und Metriken beschrieben . Es gibt noch keine etablierten Best Practices für die Verwaltung des täglichen KI-Entwicklungsprozesses. Wir können also sagen, dass es ein bisschen durcheinander ist. Und die Umgebung, in der die Daten, die Modelle oder die KI-Funktionen die Nutzung nutzen, ändert sich sehr oft. Das Modell ist super. Es kostet ständige Updates. Wir müssten sie für eine lange Zeit pflegen. 3. Konsequente Wartung – warum? (neu): Und die Systemwartung und warum sie für KI-Produkte wirklich notwendig ist, hängt wirklich davon ab, wo das Produkt angewendet wird. welche Umgebungen wird es angewendet? Denn wenn Sie das Modell an einem anderen Ort anwenden , für den es nicht trainiert wurde, kommt es zu einer Umweltveränderung und Sie müssen Updates dafür vornehmen. Wenn sich die Umgebung um uns herum ändert, ändern sich auch die Daten und Muster. Wenn sich das Leben ändert, müssen wir im Grunde das Modell ändern, das Produkt damit. Nehmen wir ein Beispiel für Corona. Als Corona begann, trugen die Menschen Gesichtsmasken. Wenn Sie ein Gesichtserkennungsmodell hatten , das versucht, Gesichter zu erkennen. Jetzt ändert sich die Umgebung, verändert sich. Wenn Sie zuvor viele Leute mit Gesichtsmasken hatten, haben Sie im Grunde jemanden mit Gesichtsmasken. Neue Kunden. Wenn Sie sich an einem Ort befinden, an dem Sie Ihr Modell auf verschiedene Kunden und Umgebungen anwenden . Zum Beispiel haben Sie zuerst einen Kunden in uns, dann haben Sie einen Kunden in Europa. Dann gibt es verschiedene Muster menschlichen Verhaltens in Bezug auf die Umwelt und wie alles funktioniert, sieht aus. Damit kommt es also zu einer Datenverschiebung . Außerdem führen wir eine ständige Wartung durch, da sich maschinelles Lernen sehr schnell bewegt. Es wächst von Jahr zu Jahr. Und einige andere Dinge, die Sie letztes Jahr vielleicht nicht verkaufen konnten. Sie können dieses Jahr lösen und müssen daher nur noch einmal zurückkommen , um neue Methoden anzuwenden. Wenn Sie ein Softwareprodukt erstellen, ist die Umgebung, in der Sie das Problem lösen normalerweise viel stabiler als bei KI-Produkten. Zumindest taucht es nicht so leicht auf , wenn Sie eine Website erstellen Normalerweise wissen Sie beispielsweise, wer die Hauptkunden sind? Ist es für ältere Menschen, ist es für Kinder? Sie werden wahrscheinlich einige Änderungen vornehmen, je nachdem, für wen dieses Produkt die KI-Produktentwicklungen täuschen soll. Ja, Sie denken auch, dass dies zutrifft, aber es gibt noch viel mehr verschiedene Faktoren, die bei der Leistung dieser Modelle eine Rolle spielen. AR-Entwicklungen optimieren gezielt nur wirklich kleine Problemstellungen wenn sich auch Probleme und Leistungsänderungen ändern. Nehmen wir ein Beispiel. Algorithmus zur Erkennung von Waldtieren ist es, Ziel des Algorithmus zur Erkennung von Waldtieren ist es, Tiere zu erkennen und zu klassifizieren, um welches Tier es sich handelt. Hier sehen Sie also das Beispiel. Es gibt schnell. Wir sagen, es ist Hase. Wenn es mit der Treppe zu tun hat und sag was es ist. Jetzt sind wir in Nordeuropa. Hier bauen wir unsere Tiere, aber insgesamt sind hier 20 Tiere. Worauf wir uns also zuerst konzentrieren werden, wenn wir versuchen, ein gutes Modell für maschinelles Lernen zu entwickeln, ist die größte Gruppe zu nehmen, die wir schaffen können. Die größte Gruppe ist heute, dass sie so dick sind, dass sie richtig sind. Nach 20 können wir sieben Tiere entdecken. nächste danach ist geboren. Wir haben also vier Bretter und wenn wir sie richtig erkennen, können wir schon süchtig nach mehr Tieren werden. Danach gibt es Füchse. Damit wir drei Leute fangen können, ist großartig. Das ist also irgendwie die Verteilung der Umwelt. In dieser Umgebung und mit diesem Modell fangen wir 70% der Tiere. Mit der Erkennung von Hirschfleisch, den Kontrollkästchen dem Diktum haben wir die Änderung, dass jemand entschieden hat, dass wir dasselbe Modell einsetzen und es im tropischen Wald verwenden sollten. Was wir also tun werden, ist, dass es eine neue Umgebung gibt. Wir haben genau das gleiche Modell. Also ist alles gleich. Aber wofür wir es optimieren, ist anders. Also schauen wir uns zuerst an, oh , da ist nur einer. Also fangen wir nur ein Tier. Welche andere Sache haben wir gelernt, wie man das Deck macht? Sie waren also der Vorstand, also haben wir drei Boards. Sie nehmen auch die Dosis , dass sie Poren sind. Als nächstes entdeckten wir Füchse, zumindest habe ich das Modell gelernt. Es wurden keine Boxen erkannt. Also haben wir diese Klasse komplett verloren. Hier können Sie also die Veränderung der Umgebung sehen. Wirklich klar. Wir haben geändert, wo wir die Notaufnahme verwenden , und die Notaufnahme versteht es nicht. In tropischen Wäldern fängt der Algorithmus also insgesamt 20% der Tiere. Wir können also nicht sagen, dass der Algorithmus schlecht ist. Es geht um mehr als darum, wo wir es anwenden und was es sein sollte. Das ist eine wirklich drastische Veränderung im wirklichen Leben. Oft haben wir keine so drastischen Veränderungen. Es gibt jedoch Veränderungen von bis zu 10% und noch kleinere Änderungen, aber sie werfen das Problem der Fairness und Voreingenommenheit auf. Wir sind also alle für maschinelles Lernen. 4. AI: Wir gehen auf den Teil der Produktentwicklung ein. Zunächst sind also die drei Säulen , über die Sie nachdenken sollten, bevor Sie mit der Arbeit in unseren Vorhersagen beginnen. Also muss man wirklich darüber nachdenken , denn sonst kann es nicht gelingen, das Problem zu lösen oder das Produkt zu entwickeln. Also zuerst, welches Problem versuchst du zu lösen? Welche Dinge versuchst du zu lösen? Was werden die Dinge, die wir hier reparieren, besser? Zweitens, welche Metriken interessieren Sie? Wirklich, was sind die Dinge, die dir wichtig sind? Und wir werden näher darauf eingehen. Sie werden die Beispiele sehen. Und drittens, woher bekommen Sie die Daten? Im vorherigen Kurs haben wir uns die Tiere angesehen. Sie haben gesehen, dass die Daten wirklich wichtig sind und Sie müssen bedenken, woher wir die Daten bekommen? Denn die Daten , die erhalten werden, bestimmen wirklich , wie gut Sie bei den Metriken abschneiden , die Ihnen wichtig sind. Es gibt zwei Arten von Problemen oder Überschwingen. Im Grunde geht es um maschinelles Lernen. Einer automatisiert den Prozess, ein anderer schätzt ein Ergebnis. Mit der Automatisierung des Prozesses meinen wir im Grunde die Automatisierung der Arbeit von Menschen, Fabrikarbeit und der Berichterstattung der Kunden. Wirklich heute, eine Arbeit, die sich wirklich wiederholt. Wir sind heute gut in enger KI auf der Welt, nicht mit allgemeiner ARE. So können wir kleine Aufgaben automatisieren. Die Schätzung eines Ergebnisses ist ebenfalls etwas, das getan wird. Es ist zum Beispiel, wenn Sie abschätzen möchten , was Menschen mögen, wie Marketing. Oder Sie möchten abschätzen, wie viel Zeit es braucht, um von einem Ort zum anderen und morgen zu gelangen, denn morgen ist Montag. Also so etwas. Schätzung und Automatisierung, ihr Ziel ist anders, aber die Methoden dahinter sind unsere gleichen. Automatisierung. Automatisierung ist, wie gesagt, als Beispiel eine Fabrikarbeit, die sich wiederholende Aufgaben leitet. Wie man versteht, welche Aufgabe man erfüllen muss. Es könnte auch sehr schwierige Aufgaben , die in Faktoren oder der Ableitung erledigt werden. Einige von ihnen könnten ein, einem Kind das Lesen beibringen. Es sind sich wiederholende Aufgaben. Die Lehrer machen das ständig, aber es sind schwierige Aufgaben. Was maschinelles Lernen in der Notaufnahme leisten kann mehr kleine Aufgaben, 1-Sekunden-Aufgaben. Denken Sie also an Ihr Problem als 1-Sekunden-Aufgaben. Was können Sie in einer Sekunde tun? Und das ist eine Aufgabe. Dies ist ein Problem, das behoben werden muss. Wenn Sie ein größeres Problem haben, können Sie es in verschiedene 1-Sekunden-Aufgaben aufteilen. Wenn Sie zum Beispiel zu einem Roboter wollen , der Müll findet und wegwirft, dann schauen Sie sich zuerst um. Zweitens, erkennen Sie Müll. Drittens, geh in die Nähe des Mülls. Vier. Nimm es hoch, mach weiter und dann wirf es weg. Sie können also sehen, dass es sich um eine wirklich kleine Aufgabe handelt. Sie können nicht zulassen, dass eine Aufgabe den Raum aufräumt. Aber einfacher zu erledigen, desto wahrscheinlicher ist es, dass es erledigt wird. Also verstehen wir das alle. Und auch diejenigen, die kontrollieren, eine Art Anleitung, um zu verstehen, was die Dinge sind , die getan werden können oder wie sie aufgeteilt werden sollten? Wenn die Aufgabe im Grunde eine sehr kleine Aufgabe ist, wenn es sich um eine wirklich einfache Aufgabe handelt, ist es wirklich einfach, sie zu lösen, wenn es viele Details der Aufgabe gibt und auch viele Dinge, die Sie beachten sollten, um Rollen zu übernehmen. Es ist viel schwieriger. Also wirklich, wirklich einfache Dinge, die wir heutzutage tun können. Und Ihr Ziel als Produktmanager sollte es sein, sich Aufgaben auszudenken , damit sie nicht Atlas T2 sind. Dies bedeutet, dass es für Sie einfacher ist, es zu lösen. Schätzungen, Schätzaufgaben sind das, wie die Leute sind, möchte das schätzen, ähm, und das ist im Grunde so, dass es heute hauptsächlich für Marketingzwecke verwendet wird . Und zwar im Grunde genommen auf der Verbraucher- und Verbraucherseite. Zweitens, welche Art von Metriken interessieren Sie? Das große, große Ding dabei ist, zu vergessen , immer zu 100% korrekt zu sein. Du kannst niemals 100% ig richtig sein. Menschen können niemals 100% ig korrekt sein. KI kann das auch nicht. Heute ist, wie gesagt, einmal, um wirklich kleine Aufgaben zu lösen. Die größere Frage, die es zu beantworten gilt, ist also, welche Fehler sind Sie bereit, Wasser zu machen und Dinge zu tun , bei denen Sie Fehler machen können? Schauen wir uns einige Beispiele an. Zum Beispiel seltener Zustand in einem Geschäft. Wir sind also in einer Show. Es ist im Grunde die Schätzung, die Sie zu verstehen versucht haben. Solche Leute. Oder was Sie tun können, ist die Länge der Glows-Clients anzuzeigen. Das ist echt gut. Zeigen Sie keinen Glanz. Der Kunde lügt nicht. Das heißt, du zeigst keine Dinge, die sie nicht mögen. Es sind wirklich gute Dinge, die man tun kann. Eines der Dinge, die Sie tun könnten, Ihre Show leuchtet, was Kunden nicht mögen. Das bedeutet also, dass Sie Kunden Dinge zeigen , die für sie Müll sind. Sie sehen etwas, das ihnen egal ist. Oder was Sie als Fehler tun können ist, keine Kleidung zu zeigen , die dem Kunden gefällt. Das bedeutet, dass Sie nicht die Dinge zeigen , die sie wirklich mögen. Und Sie als Vermarkter werden Umsatzeinbußen haben, weil Sie keine Strumpfhosen verkaufen , die der Kunde kaufen würde. Ein anderes Beispiel ist auch gut. Gute Preise sind also eine Empfehlung für Bücher. Also hier sind Empfehlungen und einige der Dinge vielleicht, vielleicht wie Salton-Dinge. Nicht. Viertens wird empfohlen, dass ein Buchmensch nicht lügt und einem Buch, das eine Person mag, mit Nachdruck nicht empfohlen wird. Das sind also die beiden Fehler , die Sie heute machen können. Egal, ob Sie keine Bücher zeigen, Leute mögen, oder Sie zeigen ihnen im Grunde Dinge, die sie nicht eindämmen. Ich sehe mir dieses System heute an. Wenn Sie eine Menge Bücher bekommen würden, die Ihnen empfohlen werden, sie Ihnen aber nicht gefallen, werden Sie diesen Service wahrscheinlich Menge Bücher bekommen würden, die Ihnen empfohlen werden, sie Ihnen aber nicht gefallen, nicht mehr nutzen, weil Sie der Meinung sind, dass die Empfehlung sinnlos ist. Zusätzlich, gut. Was ist besser okay? Empfehlt keinen Ausbruch in den Büchern. Die Leute empfehlen die meisten von ihnen gerne weiter. Hier können Sie also sehen, warum der erste nicht in Ordnung ist. Aber der zweite Grund ist, dass der Kunde den Dienst nicht nutzen würde, wenn das Erste die ganze Zeit passierte . Aber wenn der zweite passiert, werden Pip wahrscheinlich immer noch Leute zum Dienst stehen. sie einfach nicht. Wir besorgen uns alle Bücher , die für sie empfohlen oder gut wären. Ein weiteres Beispiel in den Flugzeugen. Flugzeuge haben viel Wartung. Sie müssen viele Reparaturen durchführen und sie müssen viele Anforderungen an das Fliegen erfüllen. Auch Terroristen, im Grunde ähnliche Berechnungen dahinter. Geben Sie fälschlicherweise an, dass ein Teil des Flugzeugs nicht in Ordnung ist. Oder geben Sie fälschlicherweise an, dass das Stück in Ordnung ist. Wenn wir also die Ersten sind und fälschlicherweise sagen , dass ein Gerät nicht in Ordnung ist. Wir nutzen einfach mehr Zeit , um das Flugzeug zu reparieren. Wir verwenden mehr Geld, um das Flugzeug zu reparieren. Aber nichts Schlimmes passiert. Wenn ein Vierfünftel angibt , dass ein Stück in Ordnung ist. Das bedeutet, dass wir fälschlicherweise angeben , dass dieses Stück Ihr K ist und lassen das Flugzeug fliegen, wir bekommen ein defektes Flugzeug. In diesem Fall ist das heute also keine gute Sache. Etwas Schlimmes könnte mit einem Flugzeug passieren , wenn wir es fliegen lassen. Sie konnten also vorher sehen, dass all diese Dinge vom Anwendungsfall abhängen. Gehen wir weiter zu der Art von Daten, die Sie haben. Es sind diese schwer wiederhergestellten Erneuerungsdaten. Zuerst muss man immer einige Dinge haben, aber das ist eine klare Sache. Es ist wirklich, wirklich, sehr schwer, von einem vollständigen Thema auszugehen. Aber welche Art von Daten Sie benötigen, wird auch in Frage gestellt. Und das hängt jetzt von dem Problem , das Sie aufgeschrieben haben. Sie benötigen Daten, die den Daten, die Sie im wirklichen Leben haben, so nahe wie möglich kommen. Das Beste wäre, wenn Sie Daten von wirklich, wirklich live haben , wo Sie sie verwenden würden. Um auf das Waldbeispiel mit Tieren zurückzukommen Wenn Sie den Tierdetektor in tropischen Wäldern verwenden, ist es am besten, den Datenraum Tropenwald zu haben, nicht aus einer anderen Art von Wald. Also wirklich Daten von genau dem Ort, an dem Sie ihn verwenden werden und vom Produkt. Nehmen wir ein Beispiel für einen Autodetektor. Sie möchten, dass KI weiß, was ein Auto ist und was nicht. Die Frage , die wir lernen, ist, was ist, ist es ein Auto? Also die linke Seite, es ist die rechte Seite. Ist es nicht, es ist eine Googler-Runde. Auf der Suche nach Autos werden Sie Tonnen verschiedener Autos sehen. Was Sie hier sehen können, ist zunächst eine andere Farbe. Einige sind auf weißem Hintergrund, andere fahren, andere sind in lakischem grauem Hintergrund. Das ist komplett von der Seite. Das ist eher oben und nicht ganz oben. Das ist von vorne. Wenn Sie also einen Autodetektor machen, auf welcher Seite möchten Sie das Auto sehen? Und ist es auf dem weißen oder schwarzen Hintergrund oder den Elementen? Oder ist es im wirklichen Leben, in der Nähe des Strandes oder auf der Straße? Müssen Sie hier Autos erkennen, diese Bilder sind wirklich anders, die wir gerade auf der vorherigen Folie hatten. Oder möchten Sie Autos von oben sehen und erkennen? Wir hatten keine Kostenbilder von oben und das Bild oben ist völlig anders. Sie müssen also wirklich überlegen, aus welchem Blickwinkel Sie sie auch erkennen möchten. Denn wenn Sie ein Modell trainieren, um die Autos von der Seite zu erkennen, aber in Wirklichkeit die Kamera, auf die Sie in Zukunft mit Detektorautos von oben schauen, wird das Modell nicht ausführen AN wird versagen hier. Die Daten müssen also dem Anwendungsfall, den Sie im wirklichen Leben haben, aus geografischer Blitzperspektive genauso ähnlich im wirklichen Leben haben sein. Also sitzen wir in einem dunklen Raum, in einem hellen Raum, zeitlich. Ich bin 50 Jahre alte Autos. Autos jetzt, Straßen vor 50 Jahren oder heute. Vielleicht. Die Dinge ändern sich in letzter Zeit nicht so sehr und man hat nicht so viele Bilder aus den Fünfzigern. Aber im Grunde gibt es hin und wieder neue Dinge. Zeit ist also sehr wichtig, um die neuesten Daten und Sichtweisen und Blickwinkel zu erhalten. Stellen Sie also sicher, dass Sie Objekte in Zukunft genauso betrachten wie Sie. Eine, für die man den Anwendungsfall haben sollte. 5. Schlussbemerkung: Für mich ist es wie oben erwähnt, die Leistung von KI-Produkten hängt stark von den verfügbaren Daten ab, die Sie haben. Denn die Daten, die eingehen, sind im Grunde genommen Leistung , die herauskommt. Was Sie also sammeln, erhalten Sie auch aus den Kundendaten oder Ihrem echten Ich, wo Sie die Daten verwenden. Dies ist im Wesentlichen der Vorteil dieses Modells in Richtung Leistung, da dies davon abhängt, wo es angewendet wird. Wo ist also der eigentliche Anwendungsfall? Und es ist äußerst wichtig , dass die Daten, die Sie in den Nutzungsdaten haben , und die verfügbaren Daten, die Sie beim Training haben, oder so ähnlich wie möglich sinken . Zusammenfassend lässt sich sagen, dass für den heutigen Kurs, Entwicklungsverben zusammen mit Softwareentwicklung, nichts zwischen diesen 28 Entwicklungen ist riskanter, bekannter, unbekannter, viel unbekannter als also für die Entwicklung, weil es Forschung und Entwicklung ist. Und es gibt auch viele Abhängigkeiten der Art und Weise, wie Sie dieses Modell verwenden werden . Die Entwicklung ist abhängig. Daten für Kinder. Sie könnten es sagen oder wund, bereit. Die Daten, was Sie für das Training verwenden, wie müssen wirklich ähnlich sein wo Sie sie in Zukunft verwenden werden. Ebenso wie die Daten bestimmen, wie Sie sich verhalten werden. Ich bevorzuge Formulare, ist ein enormer Schritt in Bezug auf die Umwelt. Also Daten und Umwelt. Sie haben Kiki verdient, danke. Danke, dass du heute zugehört hast. Wir sehen uns beim nächsten Mal.