Her på Raffle tror vi på at være datadrevne, når det gælder AI. Men hvad betyder det?

Kort sagt betyder en datadrevet tilgang, at vi bruger træningsdata i stedet for at definere regler.

I Google Duplex bruges for eksempel eksempler på samtaler til at lære at forstå naturlige interaktioner, når man bestiller bord på en restaurant eller laver en aftale med en frisør.

‍Tesla bruger billeder af regn og ikke-regn til at beslutte, hvornår vinduesvaskeren skal tændes. Denne tilgang, der er taget til det ekstreme, er af nogle blevet kaldt software 2.0.

Hvor meget data er nok?

Paradigmet er blevet det førende, fordi det giver en præstation, som, givet nok træningsdata, er bedre end den regelbaserede. Ulempen er, at "nok data" ofte er ret meget.

Men bedre metoder - f.eks. ordindlejring og "few-shot"-læring - bliver hele tiden tilgængelige, så mængden af data, der skal til for at opnå nok, vil falde.

På Raffle bruger vi lignende ideer, så modeller, der er trænet på en opgave, med lidt tilpasning kan anvendes i nye domæner eller til nye kunder. Dette er et eksempel på "few-shot learning".

Når vi anvender dette paradigme i forbindelse med naturligt sprog, skal vi være meget opmærksomme på at oprette dataindsamlingsordninger for at forbedre systemets intelligens over tid.

Det kan f.eks. være, at vi sørger for at indsamle data, hver gang vores nuværende system gør noget, der ikke giver mening for brugeren. Ved at fokusere på fejlene vil systemet blive forbedret hurtigere.

Få data til at arbejde for dig

Vores Raffle Insights dashboards giver brugerne mulighed for at træne deres data i realtid.

Vis mig hvordan