Ο Vatsal Ghiya, Διευθύνων Σύμβουλος και συνιδρυτής της Shaip έχει 20 χρόνια εμπειρίας στην προσφορά λύσεων τεχνητής νοημοσύνης στον τομέα της υγείας για καλύτερη φροντίδα των ασθενών. Σε αυτό το guest feature, συζήτησε τον λόγο για τον οποίο το Machine Learning Project αποτυγχάνει και τι πρέπει να λάβετε υπόψη για να είναι επιτυχημένο.
Το βασικό στοιχείο από το άρθρο είναι
- Εάν δεν γνωρίζετε τον τρόπο με τον οποίο προχωράτε με τις νέες τάσεις της τεχνολογίας, η όλη διαδικασία μπορεί να πάει στραβά. Σύμφωνα με το VentureBeat, περίπου το 87% των έργων τεχνητής νοημοσύνης αποτυγχάνουν λόγω πολλών εγγενών παραγόντων. Και αυτές οι αποτυχίες κοστίζουν επίσης τεράστια απώλεια χρημάτων από την επιχειρηματική πλευρά.
- Ο λόγος που αυτά τα έργα ML αποτυγχάνουν είναι λόγω της έλλειψης τεχνογνωσίας, του κατώτερου όγκου και ποιότητας δεδομένων, της λανθασμένης επισήμανσης, της έλλειψης σωστής συνεργασίας, της απουσίας αποτελεσματικής ηγεσίας της στρατηγικής δεδομένων με ημερομηνία και της δυσάρεστης μεροληψίας δεδομένων.
- Αν και μπορεί να υπάρχουν πολλοί λόγοι για τους οποίους τα έργα ML αποτυγχάνουν, αλλά είναι σημαντικό να τηρούνται όλοι οι δείκτες που πρέπει να λαμβάνονται υπόψη εάν πρόκειται να εφαρμόσετε μοντέλα ML στον οργανισμό σας. Ως εκ τούτου, συνιστάται να αποκτήσετε έναν αξιόπιστο πάροχο υπηρεσιών από άκρο σε άκρο για τη διαχείριση έργων ML και να έχετε καλύτερη ακρίβεια και αποτελεσματικότητα.
Διαβάστε το πλήρες άρθρο εδώ:
