Introdução à gestão de produtos de IA - parte 1

1. Introdução (novo): Ei pessoal, oi, Bem-vindo ao curso de gerenciamento de produtos de IA. Neste curso, aprenderemos sobre o desenvolvimento de TODOS os produtos. Se você está animado com todas as novas tecnologias que consistem em aprendizado de máquina, ciência de dados e diferentes aspectos de IA do comum, aprenda como criar esses produtos. Por exemplo, carros autônomos, automatização de processos, marketing de sugestões muito bem com o uso dos dados. Neste curso, falaremos sobre comparação dos processos de desenvolvimento de software de IA. Aprenderemos o que você precisa saber antes iniciar qualquer outro desenvolvimento de produto de IA. E também analisaremos diferentes produtos que você tem em sua vida ao seu redor. Sou preguiçoso. Trabalho há muitos anos com dados, análise de dados, ciência de dados e os anos de passagem sendo o gerenciamento de produtos de IA muito cauteloso para atender ao processo de verificação. E eu sou muito apaixonado por esse assunto. E eu sou Kristen, trabalho com dados há cinco anos, principalmente como cientista de dados, mas também como analista de dados. E eles pensaram que o líder da equipe. Venha e participe do nosso curso. Vejo você lá. Tchau. 2. O que é IA? (novo): Hoje, curso de gerenciamento de situações difíceis de AR. Neste curso, falaremos sobre o gerenciamento de produtos para HIEs, como é o processo de desenvolvimento. Especificaremos como o desenvolvimento de IA é diferente do desenvolvimento regular de engenharia de software e o que você deve levar em consideração e começar a construir um novo produto. Na primeira lição, abordaremos o tópico geral, geralmente o produto, o que é? Qual é o produto deles e como ele é diferente do projeto de engenharia de software, como os processos de desenvolvimento diferem uns dos outros. Além disso, apresentaremos algumas questões e ideias importantes que você deve considerar ao desenvolver um produto que tenha componente de IA, ou seja,. Seus professores são Christine e Lizzie. Ambos têm trabalhado ciência de dados para tudo o que podemos usar. E chave específica ou aprendizado de máquina para mim. Então, vamos começar com o curso. Então, o que é DAI? Muitas pessoas pensam que um computador de soma toma todas as decisões por conta própria. Mas, na realidade, é muito diferente de mim. Pelo menos a realidade que vemos em nossa vida cotidiana. Significa apenas que queremos construir uma máquina, essa vida humana. Não há definição de como a vida humana e a máquina devem ser para ser um EI. Existem dois tipos de ânions. Estreitamento, o que significa que o a se destina a realizar tarefas específicas. E geralmente há Mania, significa que a IA, tudo o que o EIS gosta do filme Exterminador do Futuro, que ele conhece a si mesmo, como fazer e como basicamente aumentar seu conhecimento. E geralmente o quintal não é algo usado hoje na fabricação de produtos. Neste curso, também nos concentramos na IA restrita porque o pronto-socorro em que todos estão trabalhando hoje. Uma das maneiras artificialmente inteligentes descreveu também em turnê, Determinando, criar o determinado isso. E também é conhecido como mutação surgiu na década de 1950. O teste foi criado para entender se ela tem um comportamento inteligente como perspicácia. Turing foi matemático durante a Segunda Guerra Mundial e ajuda a duas coordenadas que você pode, como eu disse antes, o teste de Turing é um teste para ver se a máquina. Como você trabalha Arrington? Ele consiste em três componentes. A, Computador, B's, um humano, é um convidado. O teste só é feito de forma escrita de comunicação, o que significa que a e B só podem se comunicar com reescrita com o participante. O teste é um sucesso. Se o gesso não entender que não há humano pode se diferenciar. B. Além disso, observe que a comunicação é sempre feita em uma estrutura de grade. A máquina é considerada inteligente, difícil. Então, uma espécie de diferenciação entre a e B. Temos que levar em conta que a complexidade da tarefa pode ser muito, muito diferente. Mas no caso de uma tarefa realmente simples é bastante fácil de perspicácia clínica, mesmo que você possa ser uma máquina. No caso em que estamos automatizando qualquer processo, estamos jogando uma boa indicação. Esses processos são onde tentamos substituir o nascimento humano repetitivo pela fabricação de computadores para garantir e obter a experiência real com o produto que você fornece a eles. Podemos levar em conta, por exemplo, o cliente. O cliente garante que maioria das vezes, possa responder a perguntas realmente simples. Se você perguntar a eles cristãos simples, eles podem facilmente agir como humanos. Se você fizer novas perguntas um pouco mais difíceis. Eles não podem. No nosso caso, muitas vezes a cena também colocou o cliente rolou. Então, como dissemos antes, o cliente , por exemplo, quer recusar. Se há um computador ou um ser humano atrás da parede ou automatizar o processo é como tentar cumprir o advogado. Até hoje, nenhum computador passou no teste de Turing. Pessoas que aderiram. Um dos métodos é usar coeficiente, usando inteligência artificial. Isso é o que seremos. 3. Processo de desenvolvimento de IA: Agora falaremos sobre os processos de desenvolvimento de IA. Agora que entendemos o que a IA significa amplamente, temos muitos outros termos que precisam ser explicados e que muitas vezes se confundem. Embora sejam geralmente significa algo semelhante ao humano. Aprendizado de máquina, ciência de dados e aprendizado profundo são técnicas para trabalhar com dados e obter resultados incríveis a partir daí. Vamos repassar os termos, pois eles podem ser confusos e são usados vagamente em nossa vida cotidiana. O aprendizado de máquina é um ramo da ciência da computação que trabalha com algoritmos que tentam se aprimorar com base nos dados e experiências repetitivas. Esses algoritmos geralmente são chamados de modelo. E os modelos são apenas maneiras diferentes pelas quais os dados podem ser analisados e treinados. O aprendizado profundo basicamente ainda é aprendizado de máquina. Ele está usando modelos muito específicos que exigem muito poder de processamento, muitos dados e muito tempo para aprender a obter o resultado necessário. O crepúsculo que esses modelos estão resolvendo não é simples e usa redes neurais profundas para fazer com os cálculos. Depois, temos a ciência de dados, que também funciona com dados. Mas o objetivo é tirar o conhecimento e informação dos dados, o grande valor, basicamente, a ciência de dados usa métodos diferentes para obter informações valiosas dos dados. Muitas mesas de BI ou tarefas de ciência de dados. Falamos sobre IA, aprendizado de máquina e ciência de dados. Mas provavelmente você também está adivinhando onde está a engenharia de software. Como tudo isso é combinado? A maioria das pessoas na área de TI está realmente ciente da criação de produtos de software e sabe como funciona o desenvolvimento de software. Existem vários componentes diferentes que precisam ser desenvolvidos, mesclados e criados para que uma função seja o produto de software. Esses componentes, os componentes podem estar no front-end ou back-end. Provavelmente há alguém lidando com bancos de dados, logs e alertas e outras pessoas lidando com servidores e componentes e problemas de DevOps. Todas essas partes estão no mundo da engenharia de software e são bastante óbvias quando você precisa trabalhar em qualquer coisa. Você tem uma meta e sabe o que precisa fazer para atingir essa meta. Todo o ciclo de desenvolvimento tradicional também é conhecido. A maioria dos gerentes de projeto e a maioria dos programadores estão acostumados com seu desenvolvimento regular e seu ciclo. É algum tipo de adaptação da metodologia ágil ou em cascata. Mas vamos repassar isso para que possamos começar a compará-lo hoje mesmo no ciclo de desenvolvimento da IA. No início, quando você decide fazer um projeto, você começa a reunir requisitos. Esta é uma etapa em que você tenta entender o que deveria estar construindo. Qual é a coisa que precisamos fazer? Quais são os problemas que os clientes ou usuários têm? Essa etapa inclui muito tempo e comunicação com muitas partes interessadas. Na próxima etapa, você faz a análise e projetos para entender como fazer os requisitos funcionarem, qual poderia ser a solução, quais obstáculos você precisa evitar e pré-existentes. Soluções pré-existentes estão disponíveis para uso. Dentro desta etapa, cada caixa de canto do produto e sua usabilidade deve ser bem pensada , raramente é perfeita. Humanos são humanos e cometem erros. E é por isso que temos testadores e manutenção. desenvolvimento começa depois que a análise é feita com base nos designs de interface do usuário, arquitetura e modelos de processo criados por designers e analistas. Depois que o desenvolvimento estiver concluído, seu teste. Às vezes, você pode precisar voltar e consertar alguma coisa. Nessa fase, algumas coisas são enviadas de volta ao desenvolvimento e outras são aprovadas para o almoço. Se tudo for aprovado pelos testadores, o recurso ou o produto MEP pode ser implantado e prosseguir para o modo de manutenção. Mas vamos falar sobre como estamos desenvolvendo. O início do desenvolvimento de um componente é muito semelhante ao desenvolvimento regular de software. Deve ter uma ideia que você deseja alcançar. E com base nisso, você deve começar a reunir requisitos e fazer a análise. Qual é o problema que você está resolvendo? O que você precisa que o modelo faça? E em quais situações ou contextos você deseja que o modelo funcione. Para essas situações. Que tipo de dados você precisa? Você tem que começar a pensar sobre o problema em termos de dados, quais preconceitos, problemas ou imprevisibilidade que os dados causam. É claro que o resultado é importante, mas você precisa ser capaz de pensar da perspectiva dos dados. Quais dados você tem e quais dados precisamos? Vamos dar uma olhada em um exemplo. Vamos imaginar que você tenha uma ideia incrível para começar a detectar veículos que compartilham caronas. Ou Texas. Você não se importa com nenhum outro carro, apenas as empresas de compartilhamento de caronas. Você precisa entender e definir o que isso significa para o seu modelo. Depois de algumas análises, você pode se deparar com um problema. Agora, também temos meninos fazendo bumbum e levantando e creme e outras empresas de compartilhamento de caronas em vários países diferentes que pareciam carros normais. Você ainda quer detectá-los? Você pode adicionar o requisito do logotipo da empresa em um veículo à sua lista de requisitos de dados. Mas você tem que aceitar que uma porcentagem bastante alta de veículos de compartilhamento de carona não será detectada pelo seu modelo porque você não tem como diferenciá-los dos carros comuns. Mas se você estiver realmente determinado, você pode tentar detectar passageiros dentro dele, ônibus, motoristas e outras pessoas sentadas na parte de trás. Isso pode ser considerado um recurso valioso para o seu modelo de detecção de compartilhamento de carona? Você pode ter acesso a esse tipo de dados? E o que você faz se as janelas do carro na parte de trás ou coloridas? A face da análise e definição do problema é crucial para as etapas futuras e o sucesso dos projetos. Se você errar, seu projeto pode se tornar muito, muito difícil. Por exemplo, você pode definir a tarefa de compartilhamento de carros de maneiras diferentes. Você pode fazer isso globalmente ou apenas em uma cidade específica. Você pode concordar com os táxis digitais e tradicionais e não tentar andar, compartilhando carros. Ou talvez esteja tudo bem se você excluir os carros que não parecem impostos, fazer esses pequenos ajustes em sua tarefa pode tornar o crepúsculo muito mais fácil para sua tarefa pode tornar o crepúsculo muito mim, muito mais difícil. Depois de ficar satisfeito e satisfeito com suas necessidades, você precisa começar a coletar dados. Em muitos casos, você pode ter que voltar e reconsiderar alguns de seus requisitos e definir mais alguns pontos-chave. Quando você realmente olha para os dados, começa a notar algumas coisas que não considerava antes. Por exemplo, vamos falar sobre impostos novamente. Se o imposto estiver armazenado, você quer que o modelo detecte o táxi? O táxi não está funcionando. quer detectar a saída? Então? Há muitas questões diferentes que você deve considerar. No processo de desenvolvimento de software, nosso próximo passo seria o desenvolvimento do recurso em seu desenvolvimento. Na verdade, isso significa muitas etapas diferentes que precisam ser feitas para alcançar o modelo. O processo de desenvolvimento começa com quantidades excessivas de coleta de dados. É claro que depende do resultado e dos contextos. Mas você pode precisar de milhares de pontos de dados ou imagens, ou dezenas ou centenas de milhares de pontos de dados e imagens. Na aquisição de dados, existem duas estratégias. Você precisa de muitos dados ou precisa de um pouco menos, mas de mais dados de qualidade. Mais qualidade, queremos dizer que há menos erros nos dados. Esses dados são então preparados e anotados. Isso significa que os dados são limpos, colocados no formato e no local certos para iniciar o processo de treinamento. Em comparação com qualquer outra etapa. Geralmente, esse é o mais demorado. E, finalmente, temos a infame etapa de modelagem. Nesta etapa, os cientistas de dados estão ajustando os hiperparâmetros do modelo selecionado. Eles precisam corrigir os detalhes do modelo que influenciam o quão bem ele aprenderá seus dados. Eles experimentam versões diferentes e escolhem a melhor. Embora essa etapa seja mais conhecida no aprendizado de máquina, ela não é a mais crucial nem a mais difícil. A etapa de coleta de trechos é muito mais difícil e mais longa. E também determinará se o resultado será de alta qualidade. Depois que o modelo terminar treinamento, ele tem que possuí-lo. Isso deve ser feito nos dados que são semelhantes aos dados reais no contexto de onde o modelo vai funcionar. Mas não pode ser a mesma data exata em que o modelo foi treinado. Nesta etapa, temos várias métricas a serem consideradas e as explicaremos com mais detalhes posteriormente no curso. Após o teste, o modelo precisa ser implantado. Nesta etapa, podemos ver a principal conexão entre o desenvolvimento de software e suas equipes de desenvolvimento. Para implantação diferente. São modelos que precisam de sistemas diferentes, às vezes, com muitos recursos pesados para serem executados em tempo real ou quase em tempo real. A comunicação entre software, DevOps e eles adicionam desenvolvimento é importante porque existem vários requisitos diferentes para todos os lados. Depois que o modelo for implantado. Está funcionando muito bem e as pessoas estão usando. Chegamos à fase de monitoramento e manutenção que é muito semelhante ao desenvolvimento de software, mas a razão por trás da manutenção é muito diferente. Para produtos de software, talvez seja necessário atualizar alguns sistemas porque em sua solução ou cabra foi classificada, ela pode atualizar a aparência de uma página da web ou de um produto dentro do seu design. Mas quando estamos falando sobre manutenção de produtos de IA, todas as atualizações geralmente são feitas porque temos uma arquitetura de modelo mais nova e talvez melhor. Queremos usar. Ou, na maioria dos casos, os dados que usamos até agora não são adequados para o ambiente o modelo está sendo usado atualmente. Isso significa que, na fase de manutenção, geralmente reiniciamos a coleta, análise e modelagem de dados. Mais uma vez, podemos dizer que o modelo nunca está 100% pronto. Está sempre em andamento. Normalmente, o mundo está mudando e também os contextos em torno de onde o modelo está funcionando estão mudando. Portanto, precisamos também fazer as mudanças no próprio modelo. Podemos dizer que o desenvolvimento regular precisa da entrada de um resultado desejado em algum momento para análise, desenvolvimento e teste, e os resultados devem se parecer com os resultados esperados. desenvolvimento da IA, por outro lado, precisa de dados e resultados desejados como entrada. Então, provavelmente, muito tempo e recursos para fazê-lo funcionar. Onde o desenvolvimento de software provavelmente gera um resultado específico como resultado do que o desenvolvimento de IA espera um resultado, mas não pode atualmente. Vamos dar um exemplo do Google Translate. O Google Translate tem um programa que detecta o idioma. Com base nessa detecção, o Google sabe de qual idioma traduzir. O programa, o programa, a linguagem de texto é uma parte do desenvolvimento. Podemos dizer que esse programa é usado em um componente tradicional de desenvolvimento de software pois o programa que fará os cálculos, a ciência de dados, os modelos de aprendizado de máquina e o desenvolvimento de IA podem ser feito separadamente para muitos produtos de software, você pode ter um modelo que classifica, prevê ou detecta algo. Mas para alcançar mais pessoas e criar valor real com um modelo, ele geralmente tem que ser colocado em um produto de software que as pessoas se sintam mais confortáveis com a largura. Não podemos fazer Ai significativa sem o apoio da engenharia de software clássica. Mas temos que reconhecer que são coisas realmente diferentes. 4. Exemplos de produtos (novos): Parte de exemplos de produtos. Aqui, falaremos sobre diferentes lugares, como a IA está dentro do produto. Por exemplo, muitas plataformas de streaming ou lojas online onde você tem sua conta pessoal. Eles estão usando os dados de dados e largura, criando modelos de ML e ciência de dados para mostrar o que você pode gostar. Por exemplo, Netflix, YouTube, todos os tipos de loja online, GoodReads. Google. Mesmo quando você faz uma pesquisa no Google , tenta adivinhar o que você gostaria. Essa é uma parte da IA que reconhece os produtos de que você gosta e tenta encontrar mais deles. Neste componente clássico de engenharia de software está o componente que mostra os resultados. Site para loja online. E AR é muito inteligente por trás disso. Outro exemplo, é também sistemas de recomendação ou funciona em ambos. Facebook. Coloca as melhores peças no seu feed, que você pode gostar, que você pode estar interessado, no que você pode estar clicando em alguns anúncios. Novamente, aqui, um pronto-socorro é a parte que reconhece os produtos que você pode gostar e tenta encontrar mais deles. A parte clássica da engenharia de software é que mostra os resultados. Próximo exemplo, Página inicial do Google. E isso é realmente interessante porque tem três peças de produto diferentes. primeiro é o desenvolvimento físico do design do produto. Como é a produção. Ele tem uma luz onde tem o microfone, depois tem a parte ARMA que reconhece sua voz e entende os comandos de voz. Então, cada vez que é algo, cada vez que ele tenta entender o que você gostaria de aprender, consultar ou obter informações sobre. A parte clássica da engenharia de software é a parte que tira o do AEI e liga o musical diz quais são basicamente as teorias. Depois de entender o que você quer, contar a peça, o que você quer ouvir? Outro exemplo diz Jeff, dirigindo um carro e suas peças de produto. Aqui também temos a parte física para o design e desenvolvimento do produto. Onde estão os sensores, como prever a aparência? Depois temos a parte da IA que reconhece as ruas, os movimentos, entende onde as pessoas estão, entende onde estão os outros carros. E então temos uma peça clássica de engenharia de software que controla o carro com base no AEI. Então, por exemplo, se vemos que uma pessoa está na frente do carro, IA reconhece que há uma pessoa na frente do carro e a garrafa clássica de engenharia de software, ok? Se houver uma pessoa na frente do carro, não aceleramos , mas quebramos. Se percebermos que há um sinal de pagamento ou stop, então mitch wine, a AI entende que há um sinal de stop superior. parte clássica da engenharia de software nos diz que então paramos. Uber. O Uber talvez seja um pouco diferente em seu produto não tentamos automatizar algo, mas tentamos estimar quanto tempo você leva para ir de um lugar para outro ou em segundo plano para o sistema duas vezes para adivinhar qual driver seria melhor para você chegar mais rápido à sua equação. Esta parte clássica de engenharia de software aqui é a parte em que você interage, interage com o AP, pede a cabine ou rasga onde deseja ir ou adiciona detalhes de um cartão de crédito. 5. Conclusão (novo): Para concluir, a IA é a capacidade do computador de realizar tarefas que geralmente são feitas por pessoas. A maioria dos aplicativos e sistemas de IA trabalha com IA restrita. Eles só podem realizar uma ou poucas tarefas por vez. Desenvolvimento e desenvolvimento de software são coisas separadas e muito diferentes. Ao analisar os requisitos do produto gayo, você tem a ver com a análise da perspectiva dos dados. A maioria das ferramentas e aplicativos que usamos em nossa vida cotidiana inclui algum tipo de componente. E a IA significativa e útil é feita combinando IA e desenvolvimento tradicional juntos. Na próxima lição, discutiremos o mundo determinístico e probabilístico. Explique com mais detalhes como preciso de manutenção constante e entraremos em mais detalhes sobre o que você precisa saber para iniciar seu primeiro projeto de AR.