A melhor estratégia é clareza e simplicidade. Antes de escrever uma linha de Tensorflow ou Pytorchrecue e pergunte: “Que problema estamos tentando resolver e é a melhor maneira de resolvê -lo?” Às vezes, um algoritmo direto ou mesmo um modelo de planilha é suficiente. ML Guru Valdarrama aconselha as equipes a começar com heurísticas simples ou regras antes de pular para a IA. “Você aprenderá muito mais sobre o problema que precisa resolver”, diz ele, e estabelecerá uma linha de base para futuras soluções de ML.
Lixo, lixo fora
Mesmo um problema de IA bem escolhido vacilará se for alimentado com os dados errados. As equipes corporativas geralmente subestimam a tarefa crítica, mas semexcitando Preparação de dados: Curadoria dos conjuntos de dados corretos, limpando e rotulando -os e garantindo que eles realmente representem o espaço do problema. Não é surpresa que de acordo com Pesquisa do Gartnerquase 85% dos projetos de IA falham devido à baixa qualidade dos dados ou à falta de dados relevantes. Se seus dados de treinamento forem lixo (tendenciosos, incompletos, desatualizados), as saídas do seu modelo também serão lixo – não importa o quão avançado seus algoritmos.
Os problemas relacionados aos dados são citados como uma das principais causas de falha para iniciativas de IA. As empresas freqüentemente descobrem que seus dados são isolados entre os departamentos, repletos de erros ou simplesmente não são relevantes para o problema em questão. Um modelo treinado em conjuntos de dados idealizados ou irrelevantes se desmoronará contra a entrada do mundo actual. Os esforços bem-sucedidos de IA/ML, por outro lado, tratarão os dados como cidadão de primeira classe. Isso significa investir em oleodutos de engenharia de dados, governança de dados e experiência em domínio antes de gastar dinheiro em algoritmos sofisticados. Como um observador colocaEngenharia de dados é o “herói desconhecido” da IA. Sem dados limpos e bem curados, “mesmo os algoritmos de IA mais avançados são impotentes”.