การตรวจสอบข้อมูล

การจัดการข้อมูล AI อย่างรับผิดชอบ

Maria Prokofieva

Lead ML engineer

หัวข้อที่จะเรียน

• การตรวจสอบข้อมูล
• การตรวจสอบความถูกต้องของข้อมูล
• กลยุทธ์การลดอคติ

การตรวจสอบข้อมูล

• ทบทวนข้อมูลอย่างครบถ้วนตลอดวงจรชีวิตโครงการ

• ตรวจสอบสถานะทางเทคนิคและความรับผิดชอบ

• ดำเนินการหลังเกิดการเปลี่ยนแปลงสำคัญในโครงการ

• อัปเดตเอกสารประกอบสำหรับการตรวจสอบ

การดำเนินการตรวจสอบข้อมูล

• ดำเนินการบ่อยครั้ง
• ป้องกันไม่ให้เกิดปัญหาโดยไม่ตั้งใจ
• ป้องกันความซับซ้อนและการขยายข้อผิดพลาด
• รักษาความโปร่งใสและความรับผิดชอบ
• สร้างความไว้วางใจ

ที่ปรึกษาการเงิน AI

• วิเคราะห์พฤติกรรมและวางแผนเป้าหมาย
• พัฒนากลยุทธ์
• จับคู่เป้าหมายกับผลิตภัณฑ์การลงทุน
• สร้างพอร์ตการลงทุน

แหล่งข้อมูล:

• ข้อมูลผู้ใช้จากแชทและการอัปโหลด
• ข้อมูลภายนอกแบบเรียลไทม์และข้อมูลย้อนหลัง (Bloomberg)

¹ Image by Streamline HQ

แหล่งข้อมูลของโครงการ

• ข้อมูลที่ผู้ใช้ให้มา
• ข้อมูลภายนอกจาก API

¹ Image by Streamline HQ

การตั้งค่าการตรวจสอบข้อมูล

ใช้แผนการจัดการข้อมูล:

• รายละเอียดของข้อมูล
• ความถี่ในการตรวจสอบ
• การทดสอบที่จำเป็น
• สมาชิกทีมที่รับผิดชอบ

¹ Image by Streamline HQ

กำหนดการตรวจสอบข้อมูล

• การสำรวจข้อมูลเบื้องต้น
• การตรวจสอบสม่ำเสมอสำหรับการประมวลผลและการสร้างโมเดล
• การเปลี่ยนแปลงข้อมูลที่มีนัยสำคัญ

¹ Image by Streamline HQ

การตรวจสอบข้อมูลอย่างต่อเนื่อง

• การติดตามอย่างต่อเนื่องสม่ำเสมอ
• คุณภาพและความสอดคล้องของข้อมูล
• ประสิทธิภาพโมเดลและเมตริกความเป็นธรรม
• การใช้งานและการจัดเก็บข้อมูล
• ความปลอดภัยและความสามารถในการขยายระบบ

Model drift

• โมเดลอาจมีความแม่นยำลดลงตามเวลา
• การเปลี่ยนแปลงทางสังคม สภาพตลาด หรือตัวแปรพื้นฐาน
• ตรวจจับ model drift ด้วยการบันทึกผลการทำนายและประเมินเมตริกประสิทธิภาพ
• แจ้งเตือนเมื่อเมตริกเกินค่าขีดจำกัด
• แก้ไขโดยตรวจสอบข้อมูลใหม่หรือฝึกโมเดลใหม่

การตรวจสอบข้อมูลสำหรับที่ปรึกษาการเงิน AI

• การสำรวจข้อมูลเบื้องต้น
• การประมวลผลล่วงหน้าด้วยการแปลงและทำความสะอาดข้อมูล
• การสร้างโมเดลพร้อมประเมินความเป็นธรรม
• การตรวจสอบก่อนนำไปใช้งาน
• การติดตามอย่างต่อเนื่อง

¹ Image by Streamline HQ

มาฝึกกันเถอะ!

การจัดการข้อมูล AI อย่างรับผิดชอบ