首頁?行業  »   正文

Clarifai:反饋循環長期保持高質量的AI結果

Clarifai:反饋循環長期保持高質量的AI結果

上個月,紐約市主辦了2019年O Reilly AI大會。包括我們的首席執行官兼創始人Matt Zeiler在內的業內人士以及其他領域的專家,分享了關于人工智能如何改變商業格局的認識。

Matt的談話是,關閉AI循環:如何長期保持高質量的AI結果,主要探討人工智能系統的準確性隨著時間而下降的問題。

雖然許多開發人員在大量標記的數據和概念上訓練AI模型,但過了一段時間,為這些模型添加新的,未標記的輸入會導致性能下降。幸運的是,有一種方法可以限制這個問題并保持AI結果準確:反饋循環。在Clarifai,“關閉循環”確保我們的模型保持其性能和改進,即使我們添加新數據。

下面我將定義這個過程,看看它是如何工作的,并討論它為何如此有價值。

AI反饋循環

反饋循環指的是重復使用AI模型的預測輸出來訓練模型的新版本的過程。

它是如何工作的?

當我們訓練計算機視覺模型時,我們必須先給它一些標記的樣本,顯示想要學習的概念的正面和負面的例子。然后,我們可以使用未標記的數據測試模型。通過使用深度學習和神經網絡,模型可以預測所需的概念是否在這些未標記的圖像中。最后,給每個圖像一個概率分數,分數越高意味著其預測的置信度越高。

在模型給出圖像高概率分數的情況下,它用預測的概念自動標記。但是,在某些情況下,與Clarifai的企業客戶一樣,如果模型返回的概率分數較低,則會將此輸入發送給人工審核,他們會驗證并在必要時更正結果。

以下是我們的NSFW模型的反饋循環示例。

當標記的數據(自動標記的或人工驗證的)作為訓練數據反饋給模型時,發生反饋循環。

類比

Clarifai:反饋循環長期保持高質量的AI結果

概念:學前班的孩子正在學習數數。

訓練:教師舉起手指并告訴學生相應的數字。對于數字“One”或“1”,舉起一根手指。對于數字“Two”或“2”,舉起兩根手指,依此類推。

測試:教師給孩子們一張工作表,上面有幾張未標記的手指。孩子們的任務是用正確的數字標記每個圖像。

自動標記(通過人工驗證):當學生識別某些圖像中顯示的手指數量時,他們對其他圖像不太確定。因此,當收集工作表時,教師將標記正確的答案并更正錯誤的答案。

反饋循環:教師將修正后的工作表返回給每個學生,供他們查看以后的課程。

幫助AI長期保持高質量的結果

機器學習技術,如深度學習,允許計算機視覺模型采用標記的訓練數據,并學習在后續圖像中識別這些概念。雖然為模型提供新的測試數據至關重要,但通過提供已預測的模型數據,我們正在加強其訓練。

當教師對試卷進行評分并返回帶有復選標記的正確答案并對錯誤答案進行更正時,學生實際上可以明白對錯。反過來,這有助于將課程帶回家復習,使學生在下一次測驗中做得更好。

至于說之前,模型使用,設法模仿人類大腦的神經網絡。通過反饋循環,可以讓模型有機會了解它已經學過的內容,這樣它就可以不斷學習這些數據并在將來表現更好,就像學習中的學生一樣。

反饋循環確保AI結果不會停滯。顯著的優勢是,用于訓練模型新版本的數據具有與客戶關心的預測相同的實際分布。如果沒有它們,即使路徑錯誤,AI也將選擇阻力最小的路徑,導致其性能惡化。通過結合反饋循環,你可以加強模型的訓練并使其隨著時間的推移而不斷改進。

歡迎關注ATYUN官方公眾號,商務合作及內容投稿請聯系郵箱:[email protected]

發表評論