Tag: 人工智能

这两年我们观察到越来越多的算法工程师重视数据的特征工程，AI业界大佬吴恩达教授在2021年提出了从model-centric AI切换到data-centric AI的论调，我个人认为data-centric AI的三个核心就是特征工程，样本工程和数据集质量（本系列文章将围绕这三个核心来介绍）。

这两年我们观察到越来越多的算法工程师重视数据的特征工程，AI业界大佬吴恩达教授在2021年提出了从model-centric AI切换到data-centric AI的论调，我个人认为data-centric AI的三个核心就是特征工程，样本工程和数据集质量（本系列文章将围绕这三个核心来介绍）。

知识补充： 什么是AWS Lambda？ AWS Lambda在可用性高的计算基础设施上运行您的代码，执行计算资源的所有管理工作，其中包括服务器和操作系统维护、容量预置和自动扩展、代码监控和记录，只在需要时执行您的代码并自动缩放，从每天几个请求到每秒数千个请求，其提供了AWS基础设施的高可用性，高安全性，高功能性和高可扩展性。 具体可参考: https://docs.aws.amazon.com/zh_cn/lambda/latest/dg/welcome.html 什么是Alexa Skills Kit？ Alexa是Echo内置的语音助手，通过它能够唤醒Echo。Alexa的优点在于，它基于云端，因此我们可以随时对其进行改进。Alexa Skills Kit (ASK)是一个由自服务API、工具、文件和实例代码的集合，可轻松构建你自定义的Alexa skills，然后发布。 具体可参考:（https://developer.amazon.com/public/solutions/alexa/alexa-skills-kit） 1. 打开链接https://aws.amazon.com/，申请亚马逊AWS账号。登录控制台，选择AWS Lambda服务，创建Lambda Function。 2. 选择Alexa Skills Kit 3. 下载需要用到的代码，解压，打开index.js文件，修改文件中的开发者账号ID：（https://s3.cn-north-1.amazonaws.com.cn/bjsdemo/LambdaAlexaSkillsKit/RecipeTemplate.zip） 修改完成之后，然后打成Zip包上传（注意，这里的打包不需要文件夹，直接把.js文件打包成RecipeTemplate.zip） 接着点击“Create function” 到这里，Lambda 创建成功。 4. 进入https://developer.amazon.com/，创建Alexa Skills Kit。 选择ALEXA 5. 选择“Alexa Skills Kit” 6. 点击“Add a new Skill” 7. 填写Name: Solution Helper，Invocation Name: solution helper 8. 填写Intent Schema，样例代码下载（https://s3.cn-north-1.amazonaws.com.cn/bjsdemo/LambdaAlexaSkillsKit/IntentSchema.json） […]

机器学习（ML）可以优化多个垂直行业的核心业务功能（例如需求预测、信用评分、定价、预测客户流失、确定下一次最佳商品推荐、预测延迟发货及提高生产质量），从而帮助企业增加收入、推动业务增长并降低成本。传统机器学习开发周期需要几个月的时间，且需要稀缺的数据科学和机器学习工程技能。分析师对机器学习模型的想法往往会积压很长时间，因为需要等待数据科学团队有空来实现，而数据科学家的精力却往往放在需要其全部技能的更复杂的机器学习项目上。

最激动人心的 AWS re:Invent 2020 公告之一是新增一项 Amazon SageMaker 功能，帮助检测机器学习 (ML) 模型中的偏差并解释模型预测：Amazon SageMaker Clarify。在当今世界，人们大规模运用 ML 算法进行预测，对于大型科技组织而言，能够向客户解释他们为什么会根据 ML 模型的预测做出某项决策正变得越来越重要。关键是，这直接摆脱了原有的基础模式，这种模式如同一个“封闭盒子”，我们可以观察输入和输出，但看不到内部运作情况。这不仅开辟了进一步分析的途径，以便对模型配置进行迭代和进一步改进，还为客户提供了前所未有的高水平模型预测分析。 Clarify 一个特别值得关注的使用案例来自 Deutsche Fußball Liga (DFL) 由 AWS 提供支持的德甲赛况，旨在提供有关 xGoals 模型预测的有趣见解。由 AWS 提供支持的德甲赛况在足球比赛期间，为世界各地的德甲球迷提供更具吸引力的球迷体验。它为观众提供有关射门难度的信息、他们最喜欢的球员的表现，并可说明球队的攻防趋势。 借助 Clarify，DFL 现在能够以互动的方式解释，在确定 ML 模型依靠什么来预测 xGoals 值时，需要使用哪些关键的基本特征。xGoal（预期进球的缩写）是经计算得出的球员从球场上任意位置射门得分的概率。了解各自的特征属性并解释相关结果有助于模型调试，从而提高预测质量。或许最重要的是，透明度的提高有助于建立对 ML 模型的信心和信任，为未来的合作和创新提供无数机会。更佳的可解释性可推动更广泛的采用。话不多话，我们一起详细了解一下吧！ 德甲赛况 由 AWS 提供支持的德甲赛况为德甲比赛提供根据官方比赛数据实时生成的先进统计数据和深入见解。这些统计数据通过国内外广播公司以及 DFL 的平台、频道和应用程序提供给观众。如此一来，全球 5 亿多德甲球迷可以更深入地了解球员、球队和联赛，并获得更加个性化的体验和下一代统计数据。 通过德甲赛况 xGoals，DFL 可以评估球员从球场上任意位置射门得分的概率。实时计算每次射门的进球概率，以便让观众了解射门的难度和进球的几率。xGoals 值越高（所有值都介于 0 到 1 之间），进球的可能性就越大。在本博文中，我们将仔细研究这个 xGoals […]

在这篇博文中，我们讨论了 TR 如何使用 Amazon SageMaker 加快研发工作，以及如何在实现这一目标时显著节省成本和提高灵活性。我们说明了该团队如何尝试使用 BERT 的多种变体来产生强大的问答能力。最后，我们介绍了 TR 的安全内容工作区 (SCW)，它使团队能够轻松安全地访问 Amazon SageMaker 资源和 TR 专有数据。

这是 Pulselive 的 Mark Wood 的客座博文。用他们自己的话说，“总部位于英国的 Pulselive 是体育界一些知名品牌引以为豪的数字合作伙伴。”

这是一篇由来自 iHeartRadio 的 Matt Fielder 和 Jordan Rosenblum 撰写的客座博文。用他们自己的话说，“iHeartRadio 是一个流媒体音频服务，每个月的用户达数千万，每天的注册人数累计上万。”

这是一篇由 Kabbage 数据科学主管 Anthony Sabelli 撰写的客座博文，Kabbage 是一家提供小型企业现金流解决方案的数据和技术公司。

基于深度学习的图像分类的研究与应用已经进行的如火如荼，对大部分的业务场景来说，更是有着深刻的现实意义 – 基于图片的互联网分享社交应用，如何借助深度学习在第一时间对用户分享的图片进行实时监测，分类是一个比较典型的应用场景；又例如，电商运营可能希望对所有的产品照片按照产品属性进行自动化分类，减少人工分类的工作；另外，在工业生产线的良品率基于产品图片的自动筛检，以及辅助医疗领域对病理图片的分类等等场景都有着十分广泛的应用前景和实用价值。