Introduction à la gestion de produits d'IA - partie 1

1. Introduction (nouveau): Bonjour les gars, bienvenue dans le cours de gestion des produits IA. Dans ce cours, nous allons en savoir plus sur le développement de TOUS les produits. Si vous êtes enthousiasmé par les toutes nouvelles technologies qui consistent en l'apprentissage automatique, la science des données et différents aspects de l'IA que ceux communs, vous pouvez apprendre à créer ces produits. Par exemple, les voitures autonomes, automatisation des processus, marketing par suggestion sont très bien utilisés avec les données. Dans ce cours, nous parlerons comparaison des processus de développement de logiciels d'IA. Nous apprendrons ce que vous devez savoir avant commencer tout autre développement de produit IA. Et nous examinerons également différents produits que vous avez dans votre vie tout autour de vous. Je suis paresseux. Je travaille depuis de nombreuses années avec les données, analyse des données, la science des données et les années de transmission étant la gestion des produits d'IA pour très méfiants pour respecter le processus de vérification. Et je suis vraiment passionnée par ce sujet. Je m'appelle Kristen. Je travaille avec les données depuis cinq ans, principalement en tant que data scientist, mais aussi en tant qu'analyste de données. Et ils pensaient « chef d'équipe ». Venez participer à notre cours. voit là-bas. Au revoir. 2. Qu'est-ce que l'IA ? (nouveau): Aujourd'hui, cours de gestion des situations difficiles en RA. Dans ce cours, nous parlerons de la gestion des produits pour les HIE et de l'aspect du processus de développement. Nous allons préciser en quoi le développement de l'IA est différent du développement normal de l'ingénierie logicielle et ce que vous devez prendre en compte pour commencer à créer un nouveau produit. Dans la première leçon, nous aborderons le sujet général, souvent le produit, qu'est-ce que c'est ? Quel est leur produit et en quoi il diffère d'un projet d'ingénierie logicielle, quoi les processus de développement diffèrent les uns des autres. De plus, nous soulèverons quelques questions et idées clés que vous devez prendre compte lors du développement d'un produit qui comporte une composante IA, c'est-à-dire. Vos professeurs sont Christine et Lizzie. Ils ont tous deux travaillé dans le domaine de la science des données pour tout ce que nous pouvons utiliser. Et une clé spécifique ou un apprentissage automatique pour moi. Commençons donc par le cours. Alors, qu'est-ce que le DAI ? Beaucoup de gens pensent qu'un ordinateur prend toutes les décisions par lui-même. Mais en réalité, c'est très différent de moi. Du moins la réalité que nous voyons dans notre vie de tous les jours. Cela signifie simplement que nous voulons construire une machine, cette vie humaine. n'existe aucune définition de la façon dont la vie humaine et la machine doivent être pour être une IE. Il existe deux types d'anions. rétrécissement, ce qui signifie que le a est destiné à effectuer des tâches spécifiques. Et il y a généralement Mania, c' est-à-dire que l'IA, tout ce que l'EIS aime du film Terminator, qu'il sait lui-même, comment faire et comment développer fondamentalement ses connaissances. Et en général, la cour n' est pas quelque chose qui est utilisé aujourd'hui dans la fabrication des produits. Dans ce cours, nous nous sommes également concentrés sur l'IA étroite, car réduisons les urgences auxquelles tout le monde travaille aujourd'hui. L'une des façons artificiellement intelligente a également décrit la tournée, Déterminer, créer le déterminé ceci. Et c'est aussi connu sous le nom de mutation survenue dans les années 1950. Le test a été créé pour comprendre si elle a un comportement intelligent comme perspicace. Turing était mathématicien pendant la Seconde Guerre mondiale et aide à deux coordonnées, vous pouvez, comme je l'ai déjà dit, le test de Turing est un test pour voir si la machine. Comment fonctionne Arrington ? Il se compose de trois éléments. A, Ordinateur, B's, un humain, est un invité. Le test se fait uniquement sous forme écrite de communication, ce qui signifie que a et B ne peuvent communiquer qu' avec réécriture avec le participant. Le test est une réussite. Si le gesso ne comprend pas qu'il n'y a aucun humain ne peut différencier. B. Notez également que la communication se fait toujours sur une structure de grille. La machine est considérée comme intelligente, difficile. Il faut donc faire la différence entre a et B. Nous devons tenir compte du fait que la complexité de la tâche peut être vraiment, vraiment différente. Mais dans le cas d' une tâche vraiment simple, il est assez facile pour le sens clinique, même si vous êtes une machine. Dans le cas où nous automatisons un processus, nous jouons une bonne indication. ces processus que nous avons essayé remplacer la naissance humaine répétitive par la fabrication informatique afin de nous assurer et d'obtenir une expérience réelle avec le produit que vous leur offrez. Nous pouvons prendre en compte, par exemple, le client. Le client s'assure que plupart du temps, il peut répondre à une question très simple. Si vous leur demandez de simples chrétiens, ils peuvent très facilement agir comme des humains. Si vous leur posez de nouvelles questions un peu plus difficiles. Ils ne peuvent pas. Dans notre cas, la plupart des fois où la scène a également placé le client a roulé. Comme nous l'avons déjà dit, le client , par exemple, veut refuser. Qu'il y ait un ordinateur ou un humain derrière le mur ou automatiser le processus c'est comme essayer de satisfaire l'avocat. À ce jour, aucun ordinateur n'a réussi le test de Turing. Les personnes qui ont rejoint. L'une des méthodes consiste à utiliser le coefficient, en utilisant l'intelligence artificielle. C'est ce que nous serons. 3. Processus de développement de l'IA (nouveau): Nous allons maintenant parler des processus de développement de l'IA. Maintenant que nous comprenons ce que signifie l'IA au sens large, nous avons beaucoup d'autres termes qui doivent être expliqués et qui sont souvent confondus. Bien qu'ils soient généralement, cela signifie quelque chose qui ressemble à un humain. L'apprentissage automatique, la science des données et le deep learning sont autant de techniques permettant de travailler avec des données et d'obtenir des résultats étonnants. Passons en revue les termes, car ils peuvent prêter à confusion et sont utilisés de manière vague dans notre vie de tous les jours. L'apprentissage automatique est une branche de l'informatique qui travaille avec des algorithmes qui tentent de s'améliorer fonction des données et des expériences répétitives. Ces algorithmes sont généralement appelés modèles. Et les modèles ne sont que différentes manières dont les données peuvent être analysées et entraînées. deep learning est essentiellement un apprentissage automatique. Il utilise un type de modèle très spécifique qui nécessite une grande puissance de traitement, beaucoup de données et beaucoup de temps pour apprendre à obtenir le résultat souhaité. Le crépuscule que ces modèles résolvent n'est pas simple et utilise des réseaux neuronaux profonds pour effectuer les calculs. Ensuite, nous avons la science des données, qui fonctionne également avec les données. Mais l'objectif est de tirer les connaissances et informations des données, la grande valeur, fondamentalement, la science des données utilise différentes méthodes pour obtenir des informations précieuses à partir des données. Un grand nombre de bureaux de BI ou de tâches de science des données. Nous avons parlé d'IA, d'apprentissage automatique et de science des données. Mais vous êtes probablement en train de deviner où il s'agit de génie logiciel. Comment est-ce que tout est combiné ? La plupart des professionnels de l'informatique sont vraiment conscients de la création de produits logiciels et savent comment fonctionne le développement de logiciels. Il existe plusieurs composants différents qui doivent être développés, fusionnés et créés afin avoir une fonction est un produit logiciel. Ces composants, les composants peuvent être en front-end ou back-end. Il y a probablement quelqu'un qui s'occupe des bases de données, des journaux et des alertes et d'autres personnes qui s'occupent des serveurs et des composants DevOps et des problèmes. Toutes ces pièces appartiennent au monde du génie logiciel et elles sont assez évidentes lorsque vous avez besoin de travailler sur quoi que ce soit. Vous avez un objectif et vous savez ce que vous devez faire pour l' atteindre. L'ensemble du cycle de développement traditionnel est également connu. La plupart des chefs de projet et la plupart des programmeurs sont habitués à leur développement régulier et à son cycle. Il s'agit d'une sorte d'adaptation de la méthodologie Agile ou Waterfall. Mais passons en revue afin que nous puissions commencer à le comparer aujourd'hui au cycle de développement de l' IA. Au début, lorsque vous décidez de réaliser un projet, vous commencez à recueillir des exigences. Il s'agit d'une étape où vous essayez de comprendre ce que vous devez construire. Qu'est-ce que nous devons faire ? Quels sont les problèmes rencontrés par les clients ou les utilisateurs ? Cette étape nécessite beaucoup de temps et de communication avec de nombreuses parties prenantes. À l'étape suivante, vous effectuez l'analyse et conceptions pour comprendre comment faire fonctionner les exigences, quelle pourrait être la solution, quels obstacles vous devez éviter et quels obstacles préexistants. Des solutions préexistantes sont disponibles. Au cours de cette étape, chaque boîtier d' angle du produit et sa facilité d'utilisation doivent être bien pensés , sont rarement parfaits. Les humains sont des humains et ils font des erreurs. C'est pourquoi nous avons des testeurs et des services de maintenance. développement commence une fois que l'analyse est effectuée sur la base des conceptions d'interface utilisateur, l'architecture et des modèles de processus créés par les concepteurs et les analystes. Une fois le développement terminé, votre test. Parfois, vous pouvez avoir besoin de revenir en arrière et de réparer quelque chose. Au cours de cette phase, certaines choses sont renvoyées au développement et d'autres sont approuvées pour le déjeuner. Si tout est approuvé par les testeurs, la fonctionnalité ou le produit MEP peut être déployé et passer en mode maintenance. Mais parlons de ce à quoi ressemble le développement. Le début du développement d'un composant est très similaire au développement normal d' un logiciel. Il doit y avoir une idée que vous voulez réaliser. Sur cette base, vous devez commencer à recueillir les exigences et à effectuer l'analyse. Quel est le problème que vous êtes en train de résoudre ? Que doit faire le modèle ? Et dans quelles situations ou quels contextes vous souhaitez que le modèle fonctionne. Pour ces situations. De quel type de données avez-vous besoin ? Vous devez commencer à réfléchir au problème en termes de données, biais, de problèmes ou d' imprévisibilité des données. Bien entendu, le résultat est important, mais il faut être capable de penser du point de vue des données. Quelles sont vos données et quelles sont les données dont nous avons besoin ? Regardons un exemple. Imaginons que vous ayez une idée géniale pour commencer à détecter les véhicules en covoiturage. Ou au Texas. Vous ne vous souciez pas des autres voitures, juste des sociétés de covoiturage. Vous devez comprendre et définir ce que cela signifie pour votre modèle. Après quelques analyses, vous risquez de tomber sur un problème. ce moment, nous avons aussi des garçons qui font du butt and lift et de la crème et d'autres sociétés de covoiturage dans divers pays qui ressemblaient à une voiture ordinaire. Voulez-vous toujours les détecter ? Vous pouvez ajouter l'exigence du logo de l' entreprise sur un véhicule à votre liste d'exigences en matière de données. Mais vous devez accepter qu' un pourcentage assez élevé de véhicules en covoiturage ne soient pas détectés par votre modèle car vous n'avez aucun moyen de les différencier des voitures ordinaires. Mais si vous êtes vraiment déterminé, vous pouvez essayer de détecter les passagers à l'intérieur, le bus, les chauffeurs et les autres personnes assises à l'arrière. Cela peut-il être considéré comme une fonctionnalité utile pour votre modèle de détection de covoiturage ? Pouvez-vous accéder à ce type de données ? Et que faites-vous si les vitres de la voiture à l'arrière ou teintées ? Le visage de l'analyse et de la définition du problème est crucial pour les prochaines étapes et le succès des projets. Si vous vous trompez, votre projet peut devenir vraiment très difficile. Par exemple, vous pouvez définir la tâche d'autopartage de différentes manières. Vous pouvez le faire dans le monde entier ou uniquement dans une ville spécifique. Vous pouvez accepter les taxis numériques et traditionnels et ne pas essayer de monter, partager des voitures. Ou peut-être que ce n'est pas grave si vous excluez les voitures qui ne ressemblent pas à des taxes, apporter ces petits ajustements à votre tâche pourrait rendre le crépuscule beaucoup plus facile ou moi, beaucoup plus difficile. Une fois que vous êtes satisfait et satisfait de vos exigences, vous devez commencer à collecter des données. Dans de nombreux cas, vous devrez peut-être revenir en arrière, reconsidérer certaines de vos exigences et définir d'autres points clés. Lorsque vous examinez les données, vous commencez à remarquer certaines choses que vous n'aviez pas prises en compte auparavant. Par exemple, reparlons des impôts. Si la taxe est stockée, voulez-vous que le modèle détecte le taxi ? Le taxi ne fonctionne pas. voulez détecter la sortie ? Alors ? Vous devez vous pencher sur de nombreuses questions différentes. Dans le processus de développement de logiciels, notre prochaine étape serait le développement de la fonctionnalité dans leur développement. Cela signifie en fait de nombreuses étapes différentes qui doivent être franchies afin de réaliser le modèle. Le processus de développement commence par des quantités excessives de données collectées. Cela dépend bien entendu des résultats et des contextes. Mais vous pouvez avoir besoin de milliers de points de données ou d'images, ou de dizaines ou de centaines de milliers de points de données et d'images. En matière d'acquisition de données, il existe deux stratégies. Vous avez besoin de beaucoup de données ou d'un peu moins de données, mais de plus de données de qualité. Plus de qualité, cela signifie qu' il y a moins d' erreurs dans les données. Ces données sont ensuite préparées et annotées. Cela signifie que les données sont nettoyées, mises dans le bon format et au bon endroit pour démarrer le processus de formation. Par rapport à n'importe quelle autre étape. C'est généralement celui qui prend le plus de temps. Enfin, nous avons la fameuse étape de modélisation. Au cours de cette étape, les data scientists ajustent les hyperparamètres du modèle sélectionné. Ils doivent corriger les détails du modèle qui influencent la capacité d' apprentissage de vos données. Ils essaient différentes versions et choisissent la meilleure. Bien que cette étape soit la plus connue dans le machine learning, elle n'est ni la plus cruciale ni la plus difficile. L'étape de collecte d'extraits est beaucoup plus difficile et plus longue. Et cela déterminera également si le résultat sera de haute qualité. Une fois que le modèle a terminé entraînement, il doit le posséder. Cela doit être fait sur les données qui sont similaires aux données réelles dans le contexte où le modèle va fonctionner. Mais il ne peut pas s'agir de la même date exacte que celle à laquelle le modèle a été formé. Dans cette étape, nous devons prendre en compte plusieurs mesures et nous les expliquerons plus en détail plus loin dans le cours. Après les tests, le modèle doit être déployé. Dans cette étape, nous pouvons voir le lien principal entre le développement de logiciels et leurs équipes de développement. Pour un déploiement différent. Ce sont des modèles qui nécessitent des systèmes parfois très gourmands en ressources pour fonctionner en temps réel ou presque en temps réel. La communication entre les logiciels, DevOps et leur développement est importante car il existe exigences différentes pour tous les côtés. Une fois le modèle déployé. Cela fonctionne très bien et les gens l'utilisent. Nous arrivons à la phase de surveillance et de maintenance qui est très similaire à celle du développement logiciel, mais la raison de la maintenance est très différente. Pour les produits logiciels, vous pouvez avoir besoin de mettre à jour certains systèmes car dans votre solution ou votre chèvre a été noté, cela peut mettre à jour l' apparence d' une page Web ou d'un produit dans votre conception. Mais lorsque nous parlons de maintenance de produits IA, toutes les mises à jour sont généralement effectuées parce que nous avons une architecture de modèle plus récente et peut-être meilleure. Nous voulons utiliser. Ou, dans la plupart des cas, les données que nous avons utilisées jusqu'à présent ne sont pas adaptées à l'environnement dans lequel le modèle est actuellement utilisé. Cela signifie qu'en phase de maintenance, nous reprenons généralement la collecte, l'analyse et la modélisation des données. Encore une fois, on peut dire que le modèle n' est jamais prêt à 100 %. C'est toujours en cours de traitement. Habituellement, le monde change et les contextes dans lesquels le modèle fonctionne changent également les contextes dans lesquels . Par conséquent, nous devons également apporter les modifications au modèle lui-même. Nous pouvons dire que le développement régulier nécessite parfois la saisie d' un résultat souhaité pour l'analyse, le développement et les tests, et les résultats devraient ressembler aux résultats escomptés. développement de l'IA, quant à lui, a besoin de données et de résultats souhaités comme données d'entrée. Ensuite, il faudra probablement beaucoup de temps et de ressources pour le faire fonctionner. Lorsque le développement de logiciels vous attribue probablement un résultat spécifique, alors que le développement de l'IA espère un résultat mais ne peut pas le faire actuellement. Prenons un exemple de Google Translate. Google Translate possède un programme qui détecte la langue. Sur la base de cette détection, Google sait dans quelle langue traduire. Le programme, le programme, le langage de texte sont une partie du développement. On peut dire que ce programme est ensuite utilisé dans un composant de développement logiciel traditionnel comme le programme qui fera les calculs, la science des données, les modèles d'apprentissage automatique et le développement de l'IA peut être fait séparément pour de nombreux produits logiciels, vous pouvez avoir un modèle qui classe, prédit ou détecte quelque chose. Mais pour atteindre plus de personnes et créer de la valeur réelle avec un modèle, il faut généralement le mettre dans un produit logiciel que les gens sont plus à l' aise largeur. Nous ne pouvons pas faire IA significative sans le soutien de l' ingénierie logicielle classique. Mais nous devons reconnaître qu'il s' agit de choses vraiment différentes. 4. Exemples de produits (nouveaux): Exemples de produits. Ici, nous parlerons de différents endroits, façon dont l'IA est à l'intérieur du produit. Par exemple, de nombreuses plateformes de streaming ou boutiques en ligne où vous avez votre compte personnel. Ils utilisent les données et les données de largeur pour créer des modèles de ML et de science des données pour vous montrer ce que vous pourriez aimer. Par exemple, Netflix, YouTube, toutes sortes de boutiques en ligne, GoodReads. Google. Même lorsque vous effectuez une recherche sur Google , essayez de deviner ce que vous voulez. Il s'agit d'une partie IA qui reconnaît les produits que vous aimez et essaie d'en trouver davantage. Dans ce composant classique de génie logiciel se trouve le composant qui vous montre les résultats. Site Web vers boutique en ligne. Et la RA est une intelligence trop raide derrière elle. Autre exemple, il s'agit également de systèmes de recommandation ou fonctionne sur les deux. Facebook. Met les meilleurs éléments à votre flux, à ce que vous pourriez aimer, ce qui pourrait vous intéresser, à ce que vous pourriez cliquer sur certaines publicités. Encore une fois, une salle d'urgence est la partie qui reconnaît les produits que vous pourriez aimer et qui essaie d'en trouver d'autres. La partie classique du génie logiciel vous montre les résultats. Exemple suivant, Google Home. Et c'est vraiment intéressant parce qu'il y a trois produits différents. premier est le développement physique de la conception du produit. À quoi ressemble la production. Est-ce qu'il a une lumière là où il y a le microphone, puis il a la partie ARMA qui reconnaît votre voix et comprend les commandes vocales. Ainsi, chaque fois qu' il s'agit de quelque chose, il essaie de comprendre ce que vous aimeriez apprendre, interroger ou obtenir des informations. La partie classique du génie logiciel est la partie qui prend l' AEI et active la comédie musicale qui vous dit quelles sont les théories fondamentales. Après avoir compris ce que vous voulez, vous avoir dit la pièce, que voulez-vous entendre ? Un autre exemple dit Jeff, conduit une voiture et ses produits. Ici, nous avons également la partie physique de la conception et du développement du produit. Où sont les capteurs, comment prédire l'apparence ? Ensuite, nous avons la partie IA qui reconnaît les rues, les mouvements, comprend où se trouvent les gens, comprend où se trouvent les autres voitures. Ensuite, nous avons une partie classique d'ingénierie logicielle qui contrôle la voiture sur la base de l'IAE. Donc, par exemple, si nous voyons qu' une personne est au téléphone devant la voiture, IA reconnaît qu'il y a une personne devant la voiture et la bouteille classique du génie logiciel, d'accord ? S'il y a quelqu'un devant la voiture, on ne met pas l' accélérateur, mais on casse. Si nous voyons qu'il y a un panneau de paiement ou d'arrêt, alors mitch wine, AI comprend qu'il y a un panneau d'arrêt supérieur. La partie classique du génie logiciel nous dit que nous arrêtons ensuite. Uber. Uber est peut-être un peu différent dans son produit nous n'essayons pas d' automatiser quelque chose, mais nous essayons d'estimer temps qu'il vous faut pour vous rendre d'un endroit à autre ou en arrière-plan au système deux fois pour deviner quel est le meilleur moteur pour vous permettre d' atteindre votre équation le plus rapidement possible. Cette partie classique du génie logiciel ici est la partie où vous interagissez, interagissez avec AP, commandez la cabine ou déchirez où vous voulez aller ou ajoutez les détails d'une carte de crédit. 5. Conclusion (nouveau): Pour conclure, l'IA est la capacité d' un ordinateur à effectuer des tâches qui sont habituellement effectuées par des personnes. La plupart des applications et des systèmes d'IA fonctionnent avec une IA étroite. Ils ne peuvent effectuer qu'une ou quelques tâches à la fois. Le développement et le développement de logiciels sont des choses distinctes et très différentes. Tout en analysant les exigences des produits gayo, vous devez faire avec l'analyse du point de vue des données. La plupart des outils et applications que nous utilisons dans notre vie quotidienne incluent une sorte de composant. Et une IA significative et utile est obtenue en combinant l'IA et le développement traditionnel. Dans la leçon suivante, nous aborderons monde déterministe et probabiliste. Expliquez-le plus en détail de la façon dont j'ai besoin d'une maintenance constante et nous reviendrons plus en détail sur ce que vous devez savoir pour démarrer votre premier projet de RA.