本文引用：自动学习趋势（ML）和公司似乎采用自动学习进行变革。并不难知道并非所有自动学习项目都会成功。这是因为有一个固定的想法：“解决方案是第一个，然后是问题”。这导致对自动学习应用程序的需求和目标的定义不清楚。它揭示了为什么会采用自动学习，并且对商业指标的影响可能成为概念证明的任务（POC），以及为什么需要很长时间而没有产生真正的结果。在本文中，我们探讨了公司通过阐明其一般目标并将自动学习与相关商业指标联系起来的方式来避免共同困难的方式。随着PC的工作的进行，这些指标的应用提供了基本P Baseara评估自动学习性能。将这些指标与适当的自动机联系起来C基于POC任务或用例的学习指标并在研发地址中开发短期路线图将在很大程度上增加成功项目的可能性。将目标转变为商业公制公司通常出于几个关键原因在过程中是否在此过程中实施自动学习。这些原因通常包括通过提高设备生产率，提高业务某些地区的成功率来增加收入，从而减少对信息接收或通过减少其他与错误相关的废物来改善客户体验的时间。这些原因与更复杂的商业指标密切相关，应在自动学习项目开始时清楚地提出。例如，如果您想通过增加设备或公司的能力来增加inccome，那么相关的生产力指标可能与销售和营销指标有关，例如配额完成率，潜在客户成本和净SALES收入。如果目标是提高客户成功，相关的指标可能包括轮换客户（也称为旋转），客户满意度分数或交易损失率。最重要的是，在开发项目时通过正确的测量确定这些商业需求很重要。关键很重要，而不是在不理解其需求的具体原因的情况下识别解决方案。除非您可以有效地衡量实施自动学习过程对票务分类过程或长文档的汇总的影响，否则这样做是没有意义的。在选择了适当的商业指标以界定项目的一般目标的粉丝之后，将业务指标与自动学习指标匹配必须与与自动学习任务相对应的自动学习指标一致。为了改善业务，您通常需要一组自动学习指标。例如，假设目的是通过在特定过程中加速设备的工作来提高生产率。这可能是软件实施之前的质量保证。在这种情况下，商业指标可能是从头到尾，验证元素的数量和每个会话的执行次数的证明时间。但是，同样重要的指标可能包括实施之前发现的错误数量以及先前批准但失败的测试数量。通过建立一个自动学习过程来处理质量保证团队的一部分工作，该指标不仅评估模型与实际结果评估预期差异的延迟或速度，而且还评估了模型的准确性，尤其是虚假阳性和假阴性的数量。太多的标记问题会增加设备的工作量，因为可以手动评估模型的错误，但是丢失的报告太多会增加工作开发团队的负载。除了建立基于商业指标的团队当前绩效的参考点外，基线的精度对于评估自动学习是否至少达到了一种有效性水平也很有价值。根据特定用途的情况，任务类型和所需的输出格式，自动学习指标可能不像精度或错误率那样直观。但是，通常有多种方法可以在不依赖自动学习的情况下测量过程的有效性，以评估学习过程的表现。自然语言处理（NLP）是没有直接指标的领域。例如，很难评估诸如文本摘要和内容的生成之类的任务。但是，开发人员可以花时间创建包含输入文本和使用预期示例的数据集，例如以退休为导向的评估指标（胭脂）。胭脂和其他指标解决了没有单个“正确”答案的问题，可以测量预期和真实输出之间的词汇重叠。相反，答案会根据精度程度而有所不同。建立路线洛玛最终预选。这应该包括将整个任务分为较小，最简单的部分，这些部分可以通过自动学习模型快速验证，而不是采用更复杂的分类系统。此外，当简单解决方案无法满足任务要求时，必须进行初步文献综述或以前的艺术研究，以确定一组具有逐渐增加复杂性的解决方案。该策略的实施首先采用通过第三党应用程序（API）的接口获得的标准模型或模型（在商业场景中允许），然后移至可以调整或重新连续化的体系结构，最后是一个可以暗示更cump的解决方案裁员的培训过程。可以估计，每种方法的成本可以根据预期值对APR项目局部的投资回报（ROI）进行公平评估。由于成本过高，该运动有助于阐明特定概念方向是否不可行，并在最佳性能不符合期望的情况下建立一个切割点以离开项目。结论在公司的过程或产品中引入自动学习可以帮助您实现其一般商业目标，包括提高生产率，降低成本和降低错误。但是，为了确保成功，这些自动学习项目必须从一开始就正确启动。重要的是要确定自动学习的正确仪表，以使用正确的商业指标来衡量影响，然后证明开发的模型可以提供必要的期望。一旦确定了这些详细信息，该项目将Go当LeT开发路线图以澄清POC实施地址时，没有问题。路线图还保证了投资回报率与努力之间的关系，因此决定了一个合理的遗弃点，可以平衡这两者。这些最佳实践是将商业目标转变为生产环境中自动学习的几个步骤中的第一个。有关敏捷和鲁棒性的更多信息，如何在ML POC开发中涉及的其他重要阶段输入生产最终结果，请参见Mouser博客系列中概念实施实施的实施。在这里，您将学习如何识别和构建项目数据集，配置实验工具，开发必要的资源和方法来构建POC（包括开源模型），并制定指南和优先级，以扩展到启用版本的生产版本，并在实施后进行预测和监视。作者的个人资料贝克斯是Rogo的Full Stack AI的负责人，Rogo是一家位于纽约的初创公司，旨在建立一个平台，任何人都可以在没有数据科学经验的情况下分析和获得数据科学的经验。在空闲时间里，他还与鲸鱼搜索引擎合作，这是另一家使用AI检测鲸鱼的初创公司，以帮助工业发展与这些软巨人共存。她在深度学习和自动学习领域工作，解决了新的深度学习方法，并将其直接应用于解决实际问题，建立渠道和平台以培训和实施AI模型，并咨询AI并启动数据策略。