10 번의 실수 시작 AI 실무자들이 피해야합니다.

가트너의 설문 조사 AI 스타트 업의 85% 이상이 어떻게 실패하는지 보여줍니다. 가장 큰 이유 중 하나는 전문 지식이 부족한 것입니다. 놀랍게도 숫자에 관한 것이 아닙니다. 업계는 이제 AI 작업을 효과적으로 구현할 수있는 전문가가 부족합니다.

AI 실무자로서 기계 학습, AI 알고리즘 및 데이터 분석을 이해해야합니다. 또한 실제 상황에서 AI 솔루션을 설계하고 구현할 수 있어야합니다. 그러나이 모든 금식을 시도하면 전문 지식을 줄이는 일련의 실수가 발생할 수 있습니다. 내가 새로운 AI 실무자들이하는 가장 일반적인 10 가지 실수와 당신이 피할 수있는 방법을 분해하면서 읽으십시오.

기초 AI 주제에 익숙하지 않습니다

AI에서 처음으로 연습하기로 결정한 후, 여러 학습 로드맵을 만나게되었습니다. 나는 그 프레임 워크 중 하나에 썼고, 의심 할 여지없이, 그들은 무엇을 배우고 어떻게 해야하는지 안내해 드리겠습니다.

문제는 대부분의 AI 학습자가 후프를 뛰어 넘으려고한다는 것입니다. 예를 들어, 많은 사람들이 기본 수학 및 통계의 중요성을 과소 평가하고 데이터 구조 또는 파이썬으로 바로 이동합니다. 아니요, 파이썬을 아는 한 괜찮습니다. 이러한 핵심 주제를 이해하면 시간이 오면 데이터를 해석하고 효과적인 결정을 내릴 수 있습니다.

데이터 준비를 계속 유지합니다

누군가 이것을 “”데이터 랭킹 트랩.“대부분의 시간에 과잉 준비가 반드시 완벽하게 해석되는 것은 아니기 때문에 함정입니다. 분석 전에 데이터를 준비하고 청소하고 구성하는 데 몇 시간을 소비 할 수 있습니다. 하루가 끝나면 중요한 것을 보지 못합니다.

나는 당신이 데이터가 랭킹하는 데 시간의 50-80%를 소비하겠다는 말을 알고 있습니다. 그것이 유효하지만, 당신이 충분히했을 때를 아는 것도 마찬가지로 중요합니다. 발견, 청소, 구조화, 강화 및 검증에 소비하는 시간은 원시 데이터의 품질과 수량에 따라 다릅니다. 그러나 이것은 해당 과제에 할당 된 시간의 70%를 초과해서는 안됩니다.

데이터 청소의 중요성을 과소 평가합니다

데이터 정리는 데이터 정류 프로세스의 일부입니다. 그리고 네, 나는 데이터가 쇠약 해지지 않는다고 언급했다. 그러나 여기에 거래가 있습니다. 클렌징에 데이터가 얽힌 데이터에 할당 된 총 시간의 절반을 보내십시오. 모든 미생물의 피부를 제거하는 것은 불가능하기 때문에 데이터를 청소 한 후에도 여전히 부정확 한 비율의 부정확성이 있습니다.

그러나이 금액이 중요하다면, 당신과 조직의 시간, 노력 및 돈이 비용이 많이 드는 부정확 한 통찰력으로 이어질 수 있습니다. 당신이 ‘당신은 누구입니까?’라고 물을 때마다 ‘Deepseek’이라고 말하면 Chatgpt를 사용하는 경향이 없습니다. 새로운 AI 실무자로서 새로운 AI 시스템의 기쁨을위한 과정을 서두르고 싶을 수도 있습니다. 하지만하지 마십시오. 항상 시간을내어 데이터 세트의 문제를 식별하고 처리하십시오.

이해하지 않고 멋진 알고리즘을 사용합니다

Rob Pike의 5 가지 프로그래밍 규칙 중 하나는 멋진 알고리즘이 단순한 알고리즘보다 더 어려우며 구현하기가 훨씬 더 복잡하다는 것입니다. AI 알고리즘을 다룰 때도 마찬가지입니다. 시작 AI 실무자로서, 당신은 GANS와 같은 복잡한 알고리즘을 배우고 싶어 할 수 있습니다. 그들은 당신을 시원하게 보이게 할 수 있지만 충분히 이해하지 못하는 것은 재난의 레시피입니다. 기본 이미지 분류를 위해 강화 학습을 사용하여 잡기를 원하지 않습니다.

시작할 때는 수많은 시간 디버깅을 절약 할 수있는 간단한 알고리즘에 중점을 둡니다. 덜 정교한 데이터 세트에서 연습하여 멋진 것을 천천히 채택하는 데 천천히 전환 할 수 있습니다. 그들은 당신이 그들을 편하게하고 당신이되고있는 전문가를위한 길을 닦는 데 도움이 될 것입니다.

도구 상자에 도구가 너무 많습니다

전문가는 아마도 워크 플로우에 의존하는 몇 가지 도구가있을 것입니다. 시장에서 떨어지는 모든 ‘훌륭한’도구를 시험해보고 싶지 않은 경우 엔지니어도 아닙니다. 그러나 데이터 정리, 분석 또는 기계 학습이든, 현재 워크 플로의 각 부분에 대해 하나 또는 두 개의 도구를 마스터하는 것이 가장 좋습니다.

예를 들어, 기계 학습을 위해 텐서 플로, 파이토치 또는 스키 킷 학습 중에서 선택할 수는 있지만 전부는 아닙니다. Spacy, Natural Language Toolkit (NLTK) 및 Hugging Face Transformers는 모두 자연 언어 처리를위한 실용적인 옵션이지만 모두와 함께 굴러 가려는 유혹은 아닙니다.

수학에 너무 많이 집중하거나 너무 적습니다

수학은 AI 학습의 다른 핵심 과목만큼 필수적입니다. 대수, 확률, 미적분학 및 통계와 같은 개념은 미래의 더 복잡한 이론을위한 근거를 설정했습니다. AI 실무자로서, 수학을 잘 이해하는 것이 중요하므로 작동하는 것이 무엇인지 알지 못하고 작동 방식도 모릅니다.

물론, 컴퓨터는 프로그래밍 및 고급 프레임 워크를 통해 수학을합니다. 그러나 코드 뒤에서 무슨 일이 일어나고 있는지 이해하는 전문가가되는 것을 박탈 할 것입니다. 동시에, 첫 신경망을 훈련시키기 위해 수학의 모든 것을 알 필요는 없습니다.

모델 유효성 검사를 무시합니다

모델 검증 및 평가는 작업 AI 솔루션을 만드는 데있어 또 다른 중요한 측면입니다. 홀드 아웃 세트에서 머신 러닝 모델이 잘 작동하지 않으면 새 데이터 세트에 대한 정확한 예측을 어떻게 신뢰할 수 있습니까?

항상 모델을 평가하고 정확도, 리콜, 정밀, 평균 제곱 오류 (MSE), F1- 점수 등과 같은 주요 표시기를 측정해야합니다. 데이터를 두 개의 접힘으로 나누지 마십시오. 여러 개의 주름을 사용하여 일부를 훈련시키고 다른 사람들에게 평가하십시오.

의사 소통 기술을 무시합니다

소규모 조직에서 일한다면 대부분 방에서 유일한 AI 실무자 일 수 있습니다. ‘나는 규범적인 섭동에 대한 CNN (Convolutional Neural Network)의 견고성을 강화하기 위해 적대적인 훈련을 사용하여 당신이 의미하는 바를 아는 CTO만을 다루어야 할 수도 있습니다.

진실은 CTO조차도 두 번 소화해야 할 수도 있다는 것입니다. 평신도의 용어로 자신을 설명하십시오. 전문 용어는 마케팅 팀이 프로세스를 지연시키는 것을 이해하는 데 도움이되지 않으며 상황에 도움이되지 않습니다.