企业AI平台建设的最佳实践

 

•智能层在运行时支持人工智能，在实验层中处理训练时间活动。它是技术解决方案和产品团队与认知体验专家一起工作的产物。智能层可以将可重用的组件(如低级服务API)公开到许多低级API的复合编排的智能产品中。智能服务的协调和交付的核心是智能层，它是指导服务交付的主要资源，并且可以简单地作为从请求到响应的固定中继来实现。然而，理想情况下，它使用诸如动态服务发现和意图识别等概念来实现，以提供灵活的响应平台，尽管认知方向不明确，但能够实现认知交互。

 

•体验层通过会话用户界面(UI)，增强现实和手势控制等技术与用户进行交互。人工智能平台是一个不断增长的领域，其中包含可以为解决方案提供视觉和会话设计工作的组件。它通常由拥有传统用户体验工作者、会话体验工作者、视觉设计师和其他创造性人员的认知体验团队所拥有，他们通过人工智能技术创造出丰富而有意义的体验。

 

以下更深入地检查操作层，讨论人工智能的治理和部署。

 

在操作层：管理思想、模型和配置

 

作为一个组织探索使用人工智能的机会，它需要一种正式的方法来跟踪这些想法：测试可能性，捕捉可行性，并为经过测试，并确定为不成立的概念维护这些想法。

 

这听起来很简单，但潜在的想法数量和它们之间的细微差别，很快就会变得势不可挡。为了避免这种复杂性，企业应该设计和实施一个自动化的想法管理流程，以跟踪和管理想法和实验的生命周期。这样做有助于追踪创意表现，并确保创意质量。通过提供团队范围的可见性来获得成功的想法，并管理重复作品和潜在的冲突，也可以提高效率。

 

类似的方法可以应用于管理模型。构建真实世界的机器学习算法是复杂且高度迭代的。人工智能科学家在达到符合某些验收标准之前可能会建立数十甚至数百个模型。现在，想象一下，没有正式流程或工具来管理这些工作产品的人工智能科学家。

 

模型管理的正式流程将缓解个人和组织面临的问题。它使人工智能科学家能够详细跟踪他们的工作，为他们提供实验记录。这样的过程也使他们能够捕捉到重要的见解，从规范化影响结果到细化特征如何影响某些数据子集的性能。

 

在整个组织中，健全的模型管理使数据科学家能够审查、修改并构建彼此的工作，帮助加快进度，并避免浪费时间。它还使企业能够跨模型进行元分析，以回答更广泛的问题(例如，“哪些超参数设置最适合这些功能?”)。

 

要在企业范围内取得成功，组织必须能够存储、跟踪、索引模型以及数据管道。传统的模型管理应该扩展到包含配置管理。记录每个模型，其参数和数据管道使模型能够被查询、复制、分析和共享。

 

例如，考虑模型管理将追踪已经经过测试的超参数并记录最终用于部署的内容。但是，模型管理不会同时测试什么功能被测试和丢弃，对数据管道做了哪些修改，或者提供了哪些计算资源来支持充分的培训。

 

与模型管理数据一起，跟踪这种配置信息可以加速人工智能服务的部署，同时减少重复工作。而只是通过电子表格管理模型，企业永远不会达到这种可见度和分析水平。

 

使知识成为服务

 

（编辑：宿州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!