隨著機器學習應(yīng)用的增多，很多人需要了解采用機器學習訓練數(shù)據(jù)的好處。

如果用戶使用基于機器學習的系統(tǒng)，那么需要了解有關(guān)訓練數(shù)據(jù)的知識。在將數(shù)據(jù)加載到人工智能模型以進行模型訓練之前，必須正確格式化數(shù)據(jù)并確保其準確性。

假設(shè)用戶正在使用公共云中流行的機器學習系統(tǒng)創(chuàng)建欺詐檢測引擎。首先需要創(chuàng)建用于訓練模型的數(shù)據(jù)集：而在這個案例中將處理數(shù)百萬個帶有欺詐交易標記的交易記錄。這樣，通過模型就可以了解哪些可能是欺詐的，哪些不是。當然，訓練數(shù)據(jù)有不同類型，有些帶有標記，有些沒有。

經(jīng)過訓練之后，這種模型實際上可以通過了解可能的欺詐行為而不是通過經(jīng)驗學習來繼續(xù)訓練。如果用戶有時間的話，這個模型可以通過監(jiān)控那些被工作人員或其他系統(tǒng)標記為欺詐的交易來訓練自己。

這種人工智能訓練方法令人印象深刻的是，用戶需要一個完善的訓練數(shù)據(jù)集。在某些情況下，可以從公開或?qū)Ｓ械挠柧殧?shù)據(jù)代理那里獲取。在大多數(shù)情況下，用戶可以格式化自己的數(shù)據(jù)來訓練機器學習模型。但是，是否有可以隨時隨地進行訓練的機器學習模型？

這個想法并不新鮮。自從人工智能出現(xiàn)以來，人們一直想讓人工智能引擎教會另一個人工智能引擎，也就是共享訓練數(shù)據(jù)?；蛘吒玫霓k法是，通過自動的直接交互來共享知識和經(jīng)驗?；蛘咄ㄟ^人工智能引擎指導者提供外部經(jīng)驗，從而使人工智能模型更有價值和更有效。

這說起來容易做起來難。機器學習引擎即使采用相同的軟件，也通常不會互相對話。對于獨立的學習者需要從頭開始設(shè)計，并與非人工智能系統(tǒng)或人類進行交互。但是，大多數(shù)供應(yīng)商都在進行人工智能引擎之間的訓練。

最近人們將看到一些可能改變游戲規(guī)則的主要趨勢：

首先，是使用按需或基于SaaS的人工智能引擎，該引擎可以與公共云或內(nèi)部部署的其他人工智能引擎進行交互。可以將它們視為SaaS，這個云平臺專門針對其他人工智能引擎講授特定技能集，從發(fā)現(xiàn)欺詐性交易、醫(yī)療診斷到機器維護等等。

其次，人工智能引擎能夠與其教學模型相結(jié)合，創(chuàng)造出各種人工智能的超級大腦，不僅能在其領(lǐng)域之外提供經(jīng)驗，還能與自己的訓練數(shù)據(jù)相結(jié)合，提供本地和全球的體驗。

之所以提出這一點，是因為大多數(shù)企業(yè)要想從人工智能中獲得更多價值，就需要了解這些趨勢，其中包括機器學習和深度學習。而且，許多企業(yè)正陷入沒有足夠的訓練數(shù)據(jù)來使機器學習正常運行的困境。這可能是解決這兩個問題的很好的辦法。
責任編輯：tzh