Chọn đúng dữ liệu

Chiến lược Trí tuệ Nhân tạo (AI)

Vidhi Chugh

AI strategist and ethicist

Tính sẵn có của dữ liệu

• Nhiều dữ liệu hơn -> kết quả mô hình tốt hơn

• Không chỉ là số lượng dữ liệu
• Gán nhãn, chất lượng và tính kịp thời

• Mô hình nắm bắt các mẫu ẩn bên dưới

• Khoa học lấy dữ liệu làm trung tâm
• Kỹ thuật hóa dữ liệu một cách có hệ thống

Tính phù hợp của dữ liệu

 

• Độ phong phú và mức phù hợp của các mẫu
• Dữ liệu không liên quan làm sai lệch mô hình -> giảm độ chính xác

 

• Ví dụ: mô hình chấm điểm tín dụng
  • Thuộc tính liên quan
  • Lịch sử giao dịch
  • Hồ sơ tài sản

 

Tính kịp thời

• Động lực chuỗi cung ứng đã thay đổi sau đại dịch

Quyền riêng tư dữ liệu

 

• Dữ liệu người dùng nhạy cảm

• Tiêu chuẩn bảo mật dữ liệu như GDPR

 

• Thực hành đạo đức

• Tăng niềm tin người dùng

Từ điển dữ liệu

 

• Giải thích ý nghĩa các trường dữ liệu và tầm quan trọng của chúng

 

• Chuyên gia lĩnh vực liên kết dữ liệu với quyết định kinh doanh

 

• Dữ liệu dư thừa không giúp cải thiện dự đoán

 

Lấy mẫu dữ liệu

• Khi làm việc với nhiều dữ liệu hơn
• Tạo bộ dữ liệu mẫu
• Kết quả tương đương với chi phí thấp hơn

Phong phú hóa dữ liệu

• Nếu dữ liệu chưa đủ thì sao?
• Phong phú hóa dữ liệu - tạo bản ghi mới từ dữ liệu hiện có

Đa dạng dữ liệu

 

• Tạo mô hình đáng tin cậy

• Độ chính xác tốt

• Ví dụ: Hồ sơ vay vốn

  • Bao phủ các nhóm tuổi và sắc tộc khác nhau

 

Chất lượng dữ liệu

 

• Đầy đủ và toàn diện
• Dữ liệu chính xác; tuổi và ngày sinh

 

• Thiếu dữ liệu
• Nhãn dữ liệu chính xác

Vamos praticar!

Chiến lược Trí tuệ Nhân tạo (AI)