Уважаемые коллеги, обратите внимание, в разделе Статьи для вас вышел новый материал — экспертное мнение Валентина Каськова, директора по информационным технологиям холдинга «Специальные системы и технологии», эксперта по искусственному интеллекту в инжиниринге и его соавтора Сергея Червякова, эксперта по развитию искусственного интеллекта о том, как современному бизнесу оценить качество работы ИИ, понять, сколько стоит нейросеть, а также проверить, насколько эффективно работают генеративные и экспертные сети компании:
«Обучение нейросетей — один из самых трудоемких процессов в машинном обучении. Одной из основных трудностей является определение адекватного размера и состава обучающего датасета. Качество и разнообразие данных остаются ключевыми факторами успеха нейросети. Недостаточная вариативность данных может привести к переобучению или недостатку знаний нейросети, что, в свою очередь, принесет проблемы в реальной эксплуатации…
Давайте разберемся, как правильно рассчитать бюджет подготовки новых данных и дообучения нейросети, учитывая специфику рынка. Не существует однозначного ответа на вопрос о том, сколько параметров в средней нейросети. Это зависит от ее архитектуры и других характеристик. Поэтому для понимания цифр мы рассмотрим базовый бюджет. Он даст общее понимание структуры и цифр…
После серии экспериментов мы создали метод каскадного тестирования с применением мультиагентного кластера нейросетей. Он помогает выявлять слабые места моделей и тестировать их эффективность с возможность дальнейшего дообучения. Для рассмотренного нами выше примера бюджета, применение такого метода позволит оптимизировать затраты порядка 70% ФОТ и высвободить специалистов для решения сложных исследовательских задач. Базовая экономия от применения такого способа тестирования и дообучения составляет от 7-10 млн до десятков миллионов рублей. Цифры могут варьироваться в зависимости от масштаба проекта, используемых технологий и инфраструктуры…».
Все подробности — здесь!
Как бизнесу понять, насколько хорошо работает ИИ: каскадное тестирование и дообучение нейросетевых моделей
