ระบบ AI ที่ deploy แล้วประสบความสำเร็จหรือไม่?

ทำความเข้าใจปัญญาประดิษฐ์

Maarten Van den Broeck

Senior Content Developer at DataCamp

ควรวัดความสำเร็จเมื่อใด?

วงจรชีวิตของ MLOps methodology

ควรวัดความสำเร็จเมื่อใด?

การวัดความสำเร็จตลอดวงจรชีวิต MLOps

การวัดประสิทธิภาพแบบ offline - ความแม่นยำ

ข้อมูล training และ validation

การวัดประสิทธิภาพแบบ offline - ความแม่นยำ

การ train โมเดล

การวัดประสิทธิภาพแบบ offline - ความแม่นยำ

การตรวจสอบโมเดลด้วยตัวอย่างทดสอบ

การวัดประสิทธิภาพแบบ offline - ความแม่นยำ

การเปรียบเทียบค่าที่พยากรณ์กับ label จริง

การวัดประสิทธิภาพแบบ offline - ความแม่นยำ

การคำนวณความแม่นยำ

เกินกว่าความแม่นยำ - ค่าความผิดพลาดและ metrics อื่น ๆ

metric ค่าความผิดพลาดในโมเดล regression

Metrics สำหรับ search และ recommendation engine: คุณภาพการจัดอันดับ -ความเกี่ยวข้องของรายการที่จัดอันดับกับผู้ใช้-, ความหลากหลายในผลการค้นหาหรือคำแนะนำ เป็นต้น

การจัดอันดับสินค้าที่แนะนำ

การวัดความสำเร็จใน production

Model degradation: ค่า metric ที่วัดได้แย่ลงเรื่อย ๆ ตามเวลา

Model degradation

Business metrics: Key Performance Indicators (KPIs)
- ตัวชี้วัดประสิทธิภาพและความคืบหน้าของเป้าหมายองค์กร

ความเสี่ยง: อะไรอาจผิดพลาดได้บ้าง?

ความเสี่ยงที่อาจเกิดขึ้น:

ความลำเอียงในข้อมูล
ขาดความโปร่งใส
ปัญหาด้านจริยธรรม
ความน่าเชื่อถือของระบบที่น่าสงสัย
ความเสี่ยงต่อภัยคุกคามทางไซเบอร์

Proof-of-Concept (PoC):

ต้นแบบนำร่องเพื่อพิสูจน์ความเป็นไปได้และมูลค่าที่อาจเกิดขึ้น + การระบุความเสี่ยงตั้งแต่เนิ่น ๆ

มาฝึกกันเถอะ!

ทำความเข้าใจปัญญาประดิษฐ์