Samoyedo Nube: Actualización de datos del modelo, toma de decisiones de IA "rota"
Con la mejora de los datos, los algoritmos y la potencia informática, los escenarios de aplicación de la inteligencia artificial han penetrado en todos los aspectos de la vida. Después de ingresar palabras clave en el motor de búsqueda, la página web coincidirá automáticamente con el contenido de búsqueda relevante; la aplicación de videos cortos puede impulsar blogueros y escenas similares en función de nuestros hábitos de navegación, llamando a terminales móviles como teléfonos inteligentes para lograr funciones relacionadas; interacción informática.
La industria digital representada por la inteligencia artificial está avanzando rápidamente y la transformación digital de la industria se ha convertido en una tendencia irreversible. Todos los ámbitos de la vida buscan cerebros de IA que se adapten a sus propios modelos de negocio. La capacidad de toma de decisiones de la IA es el núcleo del cerebro de la IA y determina la eficiencia y ejecutabilidad de las soluciones de IA.
La toma de decisiones de la IA está determinada por el rendimiento del modelo, y el rendimiento del modelo es inseparable de la troika de la inteligencia artificial: datos, algoritmos y potencia informática. Entre ellos, los datos juegan un papel fundamental en el proceso de establecimiento del modelo. La calidad de un modelo depende de las dimensiones de los datos y las muestras, al igual que una mujer capacitada no puede preparar una comida sin arroz.
Por lo tanto, la promoción de datos juega un papel fundamental y global en la optimización de modelos, y los datos y modelos también son componentes importantes de los sistemas de IA. En la actualidad, las dificultades en el desarrollo y aplicación de modelos de IA radican principalmente en la aplicación de datos y la innovación de algoritmos, de los cuales este último se refleja más en la idoneidad del método de modelado.
La dimensión de la aplicación de datos es insuficiente. A juzgar por el estado actual de desarrollo de los modelos de toma de decisiones de IA, muchos modelos actuales se basan únicamente en formas de organización de datos bidimensionales y no consideran los cambios de los nodos de tiempo de los datos dentro del ciclo completo. Al final, es fácil provocar un desequilibrio en la reconocibilidad, precisión y estabilidad del modelo, y el efecto de la toma de decisiones de la IA se reduce considerablemente.
Por ejemplo, en escenarios de recomendación de vídeo y recomendación de comercio electrónico, si el modelo solo se construye y optimiza en conjuntos de datos estándar como cuentas de usuario, atributos de comportamiento, registros sociales, resultados de transacciones, etc., no incluye a los usuarios en la toma de decisiones. El desempeño del comportamiento en momentos importantes del proceso puede hacer que el modelo esté sobreajustado y sea incapaz de predecir con precisión las preferencias del usuario y controlar los riesgos de las transacciones.
En términos generales, las dimensiones de los datos bidimensionales son principalmente dimensiones de muestra y dimensiones de características. La dimensión de muestra suele ser información de identificación del usuario o número de pedido, mientras que la dimensión de característica son atributos demográficos del usuario, atributos de comportamiento, información crediticia externa, etc. En el modo de datos bidimensionales, el usuario solo corresponde a una variable en cada momento.
Volviendo al escenario empresarial real, los usuarios mostrarán diferentes comportamientos en diferentes momentos. Aunque estos comportamientos varían en intensidad, en última instancia retroalimentan las características conductuales. Si las diferencias en los comportamientos característicos del usuario en diferentes nodos de tiempo se incorporan al proceso de modelado tanto como sea posible, los datos bidimensionales uno a uno originales se expandirán a una serie de tiempo de uno a muchos, es decir, la los datos se actualizarán a la dimensión de muestra, la dimensión de tiempo y la forma de organización de datos tridimensionales de suma de la dimensión de característica.
Los datos tridimensionales no solo pueden reducir el impacto de características insuficientes en el conjunto de datos, sino también maximizar el valor de los datos, aumentar la cantidad de características y mejorar la precisión del modelo. Especialmente cuando se obtienen datos comerciales, el crédito externo y otros datos a menudo encuentran incertidumbre en el acceso, mientras que la cantidad y el tipo de datos internos son limitados y el grado de utilización tiende a saturarse.
Sin embargo, para el desarrollo de modelos, una mayor precisión e identificación requiere introducir más dimensiones de datos, extraer reglas de datos y generar más variables derivadas. Una vez que no se pueden obtener más variables de la dimensión cuantitativa, solo podemos trabajar duro desde la perspectiva cualitativa y explorar profundamente la información intrínseca de las variables. Una forma de profundizar en la información de los datos es actualizar las dimensiones desde una perspectiva de series de tiempo de uno a muchos.
De hecho, existen muchos escenarios en los que se puede utilizar la actualización de la dimensión de datos para optimizar los modelos de IA. Por ejemplo, en el negocio de inversión inteligente de acciones y fondos, la aplicación de datos de los modelos de IA agrega la dimensión de tiempo, que forma una muestra tridimensional junto con la dimensión de muestra, las acciones individuales y las variables de nodo individuales se pueden tomar en. cuenta para predecir con mayor precisión las tendencias futuras.
Para optimizar el modelo a través de datos de series temporales de alta dimensión, no basta con permanecer en el nivel de datos y es necesario mejorar el algoritmo. El 20% restante que determina la calidad del modelo es la elección del método de modelado. El algoritmo que coincide con el procesamiento de datos de series temporales de alta dimensión suele ser el aprendizaje profundo basado en algoritmos de redes neuronales.
Tomemos Samoyed Cloud como ejemplo. Basado en el marco de aprendizaje profundo, Samoyed Cloud explora actualizaciones de la dimensión de datos para mejorar el rendimiento del modelo y desarrolla soluciones de inteligencia artificial adecuadas para múltiples industrias y escenarios para satisfacer las necesidades de las empresas de manera eficiente y eficiente. necesidades de toma de decisiones inteligentes.
Al mismo tiempo, estas soluciones tecnológicas nativas de la nube de extremo a extremo se entregan en forma de SaaS+aPaaS. La interacción de información en tiempo real se logra mediante el acoplamiento del sistema de ambas partes y servicios de toma de decisiones inteligentes basados en la nube. se puede enviar a los socios.
En opinión de Wang Mingming, científico jefe de Samoyed Cloud, el modelado de datos de series temporales de mayor dimensión significa una nueva comprensión de los datos comerciales existentes, más información de datos, una organización de datos más compleja y más alto rendimiento de la máquina. requisitos, requisitos de almacenamiento y requisitos del modelo en línea. Basadas en datos de series temporales de alta dimensión, las redes neuronales se utilizan para entrenar y procesar características variables multidimensionales y, finalmente, establecer y optimizar las capacidades de toma de decisiones de IA del modelo.
Específicamente, las redes neuronales, como una rama importante del aprendizaje automático, son un nuevo método para aprender representaciones a partir de datos, enfatizando el aprendizaje a partir de estratos continuos. Impulsados por algoritmos de redes neuronales, los modelos pueden aprender todas las capas de representación simultáneamente, que pueden incluir docenas o incluso cientos de capas consecutivas, mientras que otros métodos de aprendizaje automático a menudo solo aprenden una o dos capas de representación de datos.
En el aprendizaje de datos de series temporales de alta dimensión, por un lado, las redes neuronales forman representaciones cada vez más complejas de manera progresiva, capa por capa, por otro lado, para aprender a partir de representaciones progresivas; , cada Cada capa debe considerar las necesidades de las capas superior e inferior simultáneamente. Esto significa que cuando se introducen variables de estado en una red neuronal recurrente, se puede guardar la información de cada momento y determinar la salida en ese momento junto con la entrada actual.
A partir de la práctica de toma de decisiones de IA de Samoyed Cloud, Samoyed Cloud no solo considera las dimensiones de muestra y las dimensiones de características anteriores, sino que también considera las diferencias en las características del usuario en cada nodo de tiempo y mejora los datos. a través de la función de procesamiento de datos tridimensionales. Sobre esta base, Samoyed Cloud utiliza redes neuronales y aprendizaje profundo para construir y entrenar modelos, logrando efectos de modelo más eficientes que los modelos convencionales.
Esto es muy importante para mejorar la capacidad de predicción y la precisión del modelo. Al igual que leer una noticia, si solo la entiendes por cada palabra y frase, es fácil sacarla de contexto y no entender verdaderamente el significado de la noticia. Sin embargo, al conectar las palabras y oraciones en la composición de la noticia y colocarlas en varios nodos de fondo, se puede comprender el significado preciso de la noticia.
Cuando Samoyed Cloud aplica modelos de inteligencia artificial basados en redes neuronales y otras tecnologías a escenarios comerciales reales, puede amplificar aún más el valor de los datos, ayudar a las empresas a mejorar sus capacidades de análisis predictivo y mejorar la precisión del marketing y la gestión de ventas. y colaboración en la cadena de suministro, predicción de resultados, control de riesgos y otras eficiencias, logran la transformación de la toma de decisiones empírica a la toma de decisiones inteligente y logran el efecto de reducción de costos y mejora de la eficiencia.
Los datos experimentales también muestran que las series temporales de redes neuronales se pueden utilizar para derivar variables y pueden producir efectos de ganancia variables significativos. Las variables derivadas se pueden utilizar directamente en otros enlaces de modelado tradicionales, mientras que el espacio interno de variables derivadas se puede ampliar. Cuando se mejora la capacidad discriminativa de las características originales, también se mejora el efecto discriminativo del modelo, lo que en última instancia mejora el rendimiento del modelo de IA.
Como proveedor líder independiente de soluciones de tecnología de servicios en la nube, Samoyed Cloud está profundamente involucrado en la vía inteligente de toma de decisiones de IA basada en los requisitos del escenario, actualizando constantemente big data, algoritmos, estrategias de modelos y diseño de productos para proporcionar economía digital empresarial y brindar soporte técnico para la transformación digital. En este proceso, Samoyed Cloud no solo fortaleció su competitividad independiente central, sino que también se centró en el panorama digital de China y liberó continuamente el valor del empoderamiento tecnológico. (Montañas y ríos)