Онтологии «точно в срок»: что дешёвый интеллект значит для данных — Риши Оликел, Southbridge AI

Конвейер обработки данных убрал отрицательные знаки из сумм кредитов и превратил чистую задолженность в 784 000 долларов в долг в 5,3 миллиона долларов, при этом несколько моделей пришли к неверному результату. Хриши Оликель использует подобные ошибки, чтобы объяснить, почему преобразование данных требует большего, чем универсальная схема или уверенный агент. Клиент означает нечто иное, чем выставление счетов, поддержка и соответствие требованиям. Полезная структура зависит от источника, ограничений хранения, принимаемого решения и предположений, которые модель вносит в задачу. Его альтернатива — онтология «точно в срок»: создание преобразования, когда вопрос известен, и сохранение его контекста и доказательств для повторного использования. Рабочий пример — проект по урегулированию вопросов финансирования избирательных кампаний в Огайо. Оликель описывает разделение моделей, которые проектируют конвейер обработки данных, моделей, которые выполняют его отдельные задачи, и моделей, которые оптимизируют результирующую систему. Определения, отложенные примеры и проверки на несоответствия имеют такое же значение, как и выбор модели. Сравнение различных семейств моделей может сосредоточить внимание на их несоответствиях, но общие предположения все равно могут привести к одному и тому же неверному ответу. Для оптимизации необходима стабильная поверхность выполнения, ограниченные бюджеты, многократно используемые методы и четко определенный способ возникновения ошибок. Небольшие пилотные проекты устанавливают базовый уровень; независимо проверенные рабочие сегменты упрощают проверку и отмену изменений. Только тогда конвейер может балансировать между стоимостью, скоростью и точностью, не теряя при этом достоверности полученных результатов. Информация о докладчике: https://github.com/hrishioa   / hrishioa   Временные метки: 00:00 - Дешевая трансформация и конвейер обработки данных в Огайо 1:44 - Почему универсальная схема не работает 4:28 - Создание онтологии для принятия решений 5:34 - Три типа рабочей нагрузки данных 8:30 - Дизайнеры, работники и оптимизирующие модели 10:34 - Разрешение сущностей и проверки определений 13:58 - Априорные данные модели и скрытые ошибки данных 15:41 - Межмодельные проверки и общие ошибки 16:42 - Четыре требования для самооптимизации 18:14 - Ограниченные пилотные проекты и многократно используемые проверенные сегменты