Introducción a la gestión de productos de IA

1. Introducción (nueva): Hola chicos, hola, Bienvenidos al curso de gestión de productos de IA. En este curso, aprenderemos sobre TODO el desarrollo de productos. Si estás entusiasmado con todas las nuevas tecnologías que consiste en el aprendizaje automático, ciencia de datos, y diferentes aspectos ai lo común se unieron para aprender a crear esos productos. Por ejemplo, autos autónomos, procesos de automatización, marketing de sugerencias muy bien con el uso de los datos. En este curso, estaremos hablando comparar los procesos de desarrollo de software de IA. Aprenderemos lo que necesita saber antes de comenzar cualquier otro desarrollo de productos de IA. Y también veremos diferentes productos que tienes en tu vida a tu alrededor. Soy perezoso. He estado trabajando durante muchos años con datos, análisis de datos, ciencia de datos y los años de paso siendo la administración de productos de IA por muy cauteloso para cumplir con el proceso de verificación. Y me apasiona mucho este tema. Y yo soy Kristen, llevo cinco años trabajando con datos, principalmente como científico de datos, pero también como analista de datos. Y pensaron liderar equipo. Ven y únete a nuestro curso. Nos vemos ahí. Adiós. 2. ¿Qué es IA? (nuevo): Hoy curso de gestión de predicamentos AR. En este curso hablaremos de qué gestión de productos para HIEs, cómo se ve el proceso de desarrollo. Especificaremos cómo el desarrollo de IA es diferente al desarrollo de ingeniería de software regular y qué debe tener en cuenta y comenzó a construir un nuevo producto. En la primera lección, cubriremos el tema general, muchas veces el producto, ¿qué es? Cuál es su producto y cómo es diferente del proyecto de ingeniería de software, cómo los procesos de desarrollo difieren entre sí. Adicionalmente, sacaremos algunas preguntas e ideas clave que debes tener en cuenta a la hora de desarrollar un producto que tenga componente AI, es decir. Tus maestras son Christine y Lizzie. Ambos han estado trabajando en ciencia de datos por todo lo que podemos usar. Y clave específica o aprendizaje automático hacia fuera para mí. Entonces comencemos con el curso. Entonces, ¿qué es DAI? Mucha gente piensa que una computadora suma tomando todas las decisiones por sí misma. Pero en realidad, es muy diferente a mí. Al menos la realidad que vemos en nuestra vida cotidiana. Simplemente significa que queremos construir una máquina, esa vida humana. No hay definición de cómo tiene que ser la vida humana y la máquina para ser un EI. Hay dos tipos de aniones. Estrecho, lo que significa que la a está destinada a realizar tareas específicas. Y hay generalmente Mania, significa que la IA, todo lo que el EIS gusta de la película Terminator, que se sabe a sí misma, cómo hacer y cómo básicamente hacer crecer sus conocimientos. Y generalmente yarda no es algo que se utiliza hoy en día en la fabricación del producto. En este curso, también nos enfocamos en la IA estrecha porque estrechando la ER que todo el mundo está trabajando hoy en día. Una de las formas artificialmente inteligentes que ha descrito también de gira, Determinando, crear la determinada esta. Y también se le conoce como mutación llegó en 1950. El test fue creado para entender si tiene un comportamiento inteligente como agudeza. Turing fue matemático durante la Segunda Guerra Mundial y ayudar a dos coordenadas que puedas, como dije antes, la prueba de Turing es una prueba para ver si máquina. ¿ Cómo funcionaste Arrington? Consta de tres componentes. A, Computadora, B's, un humano, es un invitado. El examen sólo se hace forma escrita de comunicación, lo que significa que a y B sólo pueden comunicarse con la reescritura con el participante. La prueba es todo un éxito. Si el gesso no entiende que no hay humano puede diferenciarse. B. Además, tenga en cuenta que la comunicación siempre se realiza en una estructura de cuadrícula. La máquina se cuenta como inteligente, difícil. Entonces tipo de diferenciar entre a y B. Tenemos que tener en cuenta que la complejidad de la tarea puede ser muy, muy diferente. Pero en el caso de una tarea realmente sencilla es bastante fácil a la perspicencia clínica, pesar de que pueda ser máquina. En el caso cuando estamos automatizando cualquier proceso, estamos jugando buena indicación. Esos procesos son donde tratamos de reemplazar el nacimiento humano repetitivo con la fabricación de computadoras para asegurarnos y obtener la experiencia real con el producto que les das. Podemos tomar en cuenta, por ejemplo, al cliente. El cliente asegura que mayoría de las veces puede responder pregunta realmente simple. Si les preguntas simples cristianos, realmente pueden actuar fácilmente como un humano. Si les preguntas nuevas un poco más difíciles. No pueden. En nuestro caso, muchas de las veces la escena también colocó al cliente rodado. Entonces como dijimos antes, el cliente, por ejemplo, el cliente quiere declinar. Si hay computadora o un humano detrás de la pared o automatizar el proceso es como tratar de cumplir con el abogado. Al día de hoy, ninguna computadora ha pasado la prueba de Turing. Personasque se han unido. Uno de los métodos es el uso coeficiente, utilizando inteligencia artificial. Esto es lo que seremos. 3. Proceso de desarrollo de IA: Ahora hablaremos de los procesos de desarrollo de IA. Ahora que entendemos lo que significa la IA en términos generales, tenemos muchos otros términos que necesitan ser explicados que a menudo se confunden. Si bien suelen ser significa algo que es parecido a un ser humano. aprendizaje automático, la ciencia de datos y el aprendizaje profundo son técnicas para trabajar con datos y obtener resultados sorprendentes a partir de ahí. Repasemos los términos, ya que podrían ser confusos y se usan vagamente en nuestra vida cotidiana. El aprendizaje automático es una rama de la informática que trabaja con algoritmos que intentan mejorarse a sí mismos en base a los datos y experiencias repetitivas. esos algoritmos se les suele denominar un modelo. Y los modelos son solo diferentes formas que los datos pueden ser analizados y entrenados. El aprendizaje profundo sigue siendo básicamente aprendizaje automático. Está utilizando un tipo muy específico de modelos que requieren mucha potencia de procesamiento, muchos datos y mucho tiempo para aprender a obtener el resultado necesario. El anochecer que estos modelos están resolviendo no son simples y usan redes neuronales profundas que ver con los cálculos. Entonces tenemos ciencia de datos, que funciona también con datos. Pero el objetivo es sacar el conocimiento y información de los datos, el gran valor, básicamente, la ciencia de datos utiliza diferentes métodos para sacar información valiosa de los datos. Muchos escritorios de BI o tareas de ciencia de datos. Hemos hablado de IA, aprendizaje automático y ciencia de datos. Pero probablemente también estés adivinando dónde está la ingeniería de software. ¿ Cómo se combina todo? La mayoría de las personas en TI son realmente conscientes de crear productos de software y saben cómo funciona el desarrollo de software. Hay múltiples componentes diferentes que necesitan ser desarrollados, fusionados y creados con el fin de tener una función es producto de software. Estos componentes, componentes pueden estar en front-end o back-end. Probablemente haya alguien que se ocupa bases de datos y registros y alertas y algunas otras personas que se ocupan servidores y componentes y problemas de DevOps. Todas estas piezas están en el mundo de la ingeniería de software y son bastante obvias cuando se necesita trabajar en cualquier cosa. Tienes una meta y sabes lo que debes hacer para lograr este objetivo. También se conoce todo el ciclo tradicional de desarrollo. La mayoría de los gerentes de proyectos y la mayoría de los programadores están acostumbrados a su desarrollo regular y a su ciclo. Es algún tipo de adaptación de metodología Agile o cascada. Pero vamos a repasarlo para que podamos empezar a compararlo hoy ciclo de desarrollo de IA. Al principio, cuando decides hacer un proyecto, comienzas a reunir requisitos. Este es un paso donde intentas entender lo que debes estar construyendo. ¿ Qué es lo que tenemos que hacer? ¿ Cuáles son los problemas que tienen los clientes o usuarios? Este paso incluye mucho tiempo y comunicación con muchas partes interesadas. En el siguiente paso, haces los análisis y diseños para entender cómo hacer que funcionen los requerimientos, cuál podría ser la solución, qué obstáculos debes evitar y preexistentes. Las soluciones preexistentes están disponibles para su uso. Dentro de este paso, cada estuche de esquina del producto y su usabilidad tiene que ser bien pensado , rara vez es perfecto. Los humanos son humanos y cometen errores. Y por eso tenemos probadores y mantenimiento. desarrollo comienza después de que el análisis se realiza en base a los diseños de interfaz de usuario, arquitectura y modelos de proceso que los diseñadores y analistas han creado. Después del desarrollo se realiza su prueba. A veces es posible que tengas que volver atrás y necesitas arreglar algo. En esa fase, algunas cosas se envían de vuelta al desarrollo y algunas se aprueban para el almuerzo. Si todo es aprobado por los probadores, la característica o el producto MEP se puede implementar y pasar al modo de mantenimiento. Pero hablemos de cómo somos desarrollo se ve. El comienzo de un desarrollo de componentes es realmente similar al desarrollo regular de software. Debe tener una idea que se quiere lograr. Y en base a eso, debes comenzar a reunir requisitos y hacer el análisis. ¿ Cuál es el problema que estás resolviendo? ¿ Qué necesitas que haga el modelo? Y en qué situaciones o contextos quieres que funcione el modelo. Para esas situaciones. ¿ Qué tipo de datos necesitas? Hay que empezar a pensar en el problema en términos de datos, qué sesgos, cuestiones o impredecibilidad que los datos caries. Por supuesto, el resultado es importante, pero hay que ser capaz de pensar desde la perspectiva de los datos. ¿ Qué datos tiene y qué datos necesitamos? Echemos un vistazo a un ejemplo. Imaginemos que tienes una idea increíble para empezar a detectar vehículos de transporte compartido. O Texas. No te importa ningún otro auto, solo las empresas de viajes compartidos. Tienes que entender y definir qué significa para tu modelo. Después de algunos análisis, podrías tropezar con un problema. En este momento, también tenemos chicos hacer culata y levantar y crema y otras empresas de viajes compartidos en varios países diferentes que parecían autos regulares. ¿ Todavía quieres detectarlos? Puede agregar el requisito del logotipo de la empresa en un vehículo a su lista de requisitos de datos. Pero hay que aceptar que algún porcentaje bastante alto de vehículos de viaje compartido no serán detectados por su modelo porque no tiene forma de diferenciar los de los autos regulares. Pero si realmente estás determinado, podrías buscar detectar pasajeros dentro de él, autobuses, conductores y otras personas sentadas atrás. ¿ Se puede considerar esto una característica valiosa para su modelo de detección de transporte compartido? ¿ Se puede obtener acceso a este tipo de datos? ¿ Y qué haces si las ventanillas del auto en la parte trasera o tintadas? El rostro de analizar y definir el problema es crucial para los pasos futuros y el éxito de los proyectos. Si te equivocas, tu proyecto podría llegar a ser muy, muy difícil. Por ejemplo, puedes definir la tarea de compartir autos de diferentes maneras. Puedes hacerlo globalmente o solo en una ciudad específica. Se pueden acordar los taxis digitales y tradicionales y no tratar de montar, compartiendo autos. O tal vez está bien que excluyas los autos que no parecen impuestos, hacer esos pequeños ajustes a tu tarea podría hacer que el crepúsculo sea los autos que no parecen impuestos, hacer esos pequeños ajustes a tu tarea podría hacer que el crepúsculo más fácil o a mí, mucho más difícil. Después de que estés contento y contento con tus requisitos, tienes que comenzar a recopilar datos. En muchos casos, es posible que tengas que volver atrás y reconsiderar algunos de tus requisitos y definir algunos puntos clave más. Cuando realmente miras los datos, comienzas a notar algunas cosas que antes no considerabas. Por ejemplo, volvamos a hablar de impuestos. Si se estiba el impuesto, ¿desea que el modelo detecte el taxi? El taxi no está funcionando. ¿ Quieres detectar la salida? ¿Entonces? Hay muchas preguntas diferentes que tienes que considerar. En el proceso de desarrollo de software, nuestro siguiente paso sería el desarrollo de la característica en su desarrollo. Esto en realidad significa muchos pasos diferentes que hay que hacer para lograr el modelo. El proceso de desarrollo comienza con cantidades excesivas de recolección de datos. Por supuesto, depende del resultado y de los contextos. Pero es posible que necesites miles de puntos de datos o imágenes, o decenas o cientos de miles de puntos de datos e imágenes. En la adquisición de datos, existen dos estrategias. Necesitas muchos datos o necesitas un poco menos, pero más datos de calidad. Más calidad, queremos decir que hay menos errores en los datos. A continuación, se prepara este dato una anotada. Esto significa que los datos se limpian, se ponen en el formato y lugar adecuados para iniciar el proceso de capacitación. En comparación con cualquier otro paso. Esta suele ser la que consume más tiempo. Y por último, tenemos el infame paso de modelaje. En este paso, los científicos de datos están afinando los hiperparámetros del modelo seleccionado. Tienen que arreglar los detalles del modelo que influyen en qué tan bien aprenderá tus datos. Prueban diferentes versiones y eligen la mejor. Si bien este paso es más conocido en el aprendizaje automático, no es el más crucial ni el más difícil. El paso de recolección de snippet es mucho más difícil y más largo. Y también determinará si el resultado será de alta calidad. Después de que el modelo haya terminado entrenar, tiene que poseerlo. Esto se tiene que hacer sobre los datos que son similares a los datos reales en el contexto de donde va a funcionar el modelo. Pero no puede ser la misma fecha exacta la que se entrenó el modelo. En este paso, tenemos múltiples métricas a considerar y las explicaremos con más detalle en más adelante en el curso. Después de probar el modelo necesita ser desplegado. En este paso, podemos ver la conexión principal entre el desarrollo de software y sus equipos de desarrollo. Para el despliegue diferente. Son modelos que necesitan sistemas diferentes a veces muy pesados de recursos para ejecutarse en tiempo real o casi en tiempo real. La comunicación entre software, DevOps, y que agregan desarrollo es importante porque hay varios requisitos diferentes para desde todos los lados. Después de desplegar el modelo. Está funcionando muy bien y la gente lo está usando. Llegamos a la fase de monitoreo y mantenimiento que es realmente similar al desarrollo de software, pero la razón detrás del mantenimiento es muy diferente. Para los productos de software, es posible que deba actualizar algunos sistemas porque en su solución o cabra se ha clasificado, podría actualizar el aspecto y la sensación de una página web o un producto dentro de su diseño. Pero cuando estamos hablando de mantenimiento de productos de IA, todas las actualizaciones generalmente se hacen porque tenemos una arquitectura de modelo más nueva y tal vez mejor. Queremos usar. Oen la mayoría de los casos, los datos que hemos utilizado hasta ahora no son adecuados para el entorno el que se está utilizando actualmente el modelo. Esto significa que en la fase de mantenimiento generalmente reiniciamos la recolección y análisis de datos y modelado. Una vez más, podemos decir que el modelo nunca está 100% listo. Siempre está en proceso. Por lo general el mundo está cambiando y también los contextos alrededor donde está trabajando el modelo está cambiando. Por lo tanto, necesitamos hacer también los cambios en el propio modelo. Podemos decir que el desarrollo regular necesita la entrada de un resultado deseado en algún momento para el análisis, desarrollo y prueba, y los resultados deben ser similares a los resultados esperados. El desarrollo de Ai, por otro lado, necesita datos y resultados deseados como insumo. Entonces algunos probablemente mucho tiempo y recursos para que funcione. Donde el desarrollo de software lo más probable es que monedas un resultado específico como resultado de lo que el desarrollo de IA espera un resultado, pero no puede hacerlo actualmente. Tomemos un ejemplo de Google Translate. Google Translate cuenta con un programa que detecta el idioma. Con base en esta detección, Google sabe de qué idioma traducir. El programa, el programa, el lenguaje de texto es una parte de desarrollo. Podemos decir que este programa se utiliza entonces en un componente de desarrollo de software tradicional como el programa que hará los cálculos, ciencia de datos, modelos de aprendizaje automático y desarrollo de IA puede por separado para muchos productos de software, se puede tener un modelo que clasifique, prediga o detecte algo. Pero para llegar a más personas y crear valor real con un modelo, por lo general se tiene que poner en un producto de software que las personas sean más cómodas de ancho. No podemos hacer Ai significativa sin el apoyo de la ingeniería de software clásica. Pero sí tenemos que reconocer que son cosas realmente diferentes. 4. Ejemplos de productos (nuevos): Ejemplos de producto parte. Aquí hablaremos de diferentes lugares, cómo está la IA dentro del producto. Por ejemplo, muchas plataformas de streaming o tiendas en línea donde tienes tu cuenta personal. Están utilizando los datos y datos de ancho, construyendo ML y modelos de ciencia de datos para mostrarte lo que te podría gustar. Por ejemplo, Netflix, YouTube, todo tipo de tienda en línea, GoodReads. Google. Incluso cuando haces búsqueda en Google intenta adivinar lo que te gustaría. Esta es una parte de IA que reconoce los productos que te gustan e intenta encontrar más de eso. En este componente clásico de ingeniería de software es el componente que te muestra los resultados. Sitio web a tienda en línea. Y AR es una inteligencia demasiado empinada detrás de él. Otro ejemplo, también es sistemas de recomendación o funciona en ambos. Facebook. Pone las mejores piezas a tu feed, a lo que te podría estar gustando, lo que te podría interesar, lo que podrías estar pinchando en algunos anuncios. Nuevamente, aquí, una ER es la parte que reconoce los productos que te pueden gustar e intenta encontrar más de esos. La parte clásica de ingeniería de software es la que te muestra los resultados. Siguiente ejemplo, Google Home. Y esto es realmente interesante porque eso tiene tres piezas de producto diferentes. En primer lugar es el desarrollo físico del diseño de productos. Cómo se ve la producción. ¿ Tiene una luz donde tiene el micrófono, entonces tiene la parte ARMA que reconoce tu voz y entiende los comandos de voz. Así que cada vez que hasta que sea algo, cada vez que trata de entender lo que te gustaría aprender o consultar u obtener información sobre. La parte clásica de ingeniería de software es la parte que toma el de la AEI y enciende el musical te dice cuáles son básicamente las teorías. Después de entender lo que quieres, contarte la pieza, ¿qué quieres escuchar? Otro ejemplo lo dice Jeff, conduciendo auto y sus piezas de producto. Aquí tenemos también la parte física para el diseño y desarrollo de productos. ¿ Dónde están los sensores, cómo predecir parece? Entonces tenemos la parte de IA que reconoce las calles, los movimientos, entiende dónde está la gente, entiende dónde están los demás autos. Y luego tenemos una parte clásica de ingeniería de software que controla el auto basado en el AEI. Entonces, por ejemplo, si vemos que una persona es teléfono frente al auto, AI reconoce que hay una persona frente alauto y la clásica botella de auto y la clásica ingeniería de software, ¿de acuerdo? Si hay persona delante del auto, no ponemos el gas, pero rompemos. Si vemos que hay una señal de pago o stop, entonces vino mitch, AI entiende que hay una señal de stop superior. Parte clásica de ingeniería de software nos dice que entonces nos detenemos. Uber. Uber es quizá un poco diferente en su producto que no intentamos automatizar algo, pero tratamos de estimar cuánto tiempo te lleva ir de un lugar a otro lugar o de fondo al sistema dos veces para adivinar qué controlador sería mejor para que llegues más rápido a tu ecuación. Esta parte clásica de ingeniería de software aquí es la parte donde interactúas, interactúas con AP ordenar la cabina o rasgar a donde quieres ir o agregar detalles de una tarjeta de crédito. 5. Conclusión (nueva): Para concluir, la IA es la capacidad de la computadora para realizar tareas que generalmente son realizadas por personas. La mayoría de las aplicaciones y sistemas de IA funcionan con IA estrecha. Sólo pueden hacer una o pocas tareas en su momento. desarrollo y el desarrollo de software son cosas separadas y muy diferentes. Al analizar los requisitos del producto gayo, tiene que ver con el análisis desde la perspectiva de los datos. La mayoría de las herramientas y aplicaciones que utilizamos en nuestra vida cotidiana incluyen algún tipo de componente. Y el ai significativo y útil se hace combinando la IA y el desarrollo tradicional juntos. En la siguiente lección, discutiremos mundo determinista y probabilístico. Explícalo con más detalle de manera que necesito mantenimiento constante y entraremos en más detalles lo que necesitas saber para iniciar tu primer proyecto de AR.