Artificial intelligence. Machine learning

1. Twój model osiąga świetne wyniki na danych treningowych, ale słabe na nowych danych. Co podejrzewasz?

Przeuczenie — sprawdzam podział danych, stosuję walidację krzyżową, regularyzację albo upraszczam model. Że trzeba trenować model jeszcze dłużej. Że nowe dane są po prostu złej jakości.

2. Firma chce „wdrożyć sztuczną inteligencję”, ale nie wie, do czego. Jak pomagasz?

Zaczynam od zrozumienia problemów biznesowych i dostępnych danych, a potem oceniam, gdzie uczenie maszynowe naprawdę może pomóc. Proponuję najpopularniejsze narzędzie, o którym głośno w mediach. Zapewniam, że AI rozwiąże wszystkie problemy, wystarczy ją kupić.

3. Model wspierający rekrutację częściej odrzuca kandydatki niż kandydatów. Jak to rozumiesz?

Model mógł przejąć uprzedzenia z danych historycznych — analizuję dane i cechy, mierzę sprawiedliwość decyzji i poprawiam model. To niepokojące, ale model przecież tylko liczy. Skoro tak wyszło z danych, to widocznie tak ma być.

4. Jak podchodzisz do matematyki stojącej za algorytmami — algebry liniowej, rachunku prawdopodobieństwa, optymalizacji?

Interesuje mnie — chcę rozumieć, dlaczego model działa, a nie tylko uruchamiać gotowe funkcje. Przyswajam tyle, ile muszę, wolę gotowe narzędzia. Unikam jej — wystarczy mi, że kod działa.

5. Model wykrywający rzadkie oszustwa w transakcjach ma bardzo wysoką trafność, bo niemal wszystko oznacza jako uczciwe. Co o tym myślisz?

Że przy niezrównoważonych klasach trafność jest myląca — patrzę na precyzję, czułość i koszty poszczególnych błędów. Że wynik jest dobry, ale można spróbować go jeszcze poprawić. Że model działa świetnie i można go wdrażać.

6. Pojawia się nowa, głośna architektura modeli lub nowe narzędzie AI. Co robisz?

Czytam o nim, testuję je na własnym problemie i krytycznie oceniam, czy rzeczywiście sprawdza się lepiej. Czekam, aż ktoś inny je sprawdzi i opisze. Nie śledzę nowości — to tylko chwilowa moda.

7. Masz tysiące zdjęć produktów, ale bez żadnych etykiet, a trzeba je sklasyfikować. Jak myślisz o rozwiązaniu?

Rozważam różne podejścia — oznaczenie części danych, uczenie częściowo nadzorowane, wykorzystanie gotowych modeli i transfer wiedzy. Zlecam ręczne opisanie wszystkich zdjęć, bo innego wyjścia nie widzę. Rezygnuję — bez etykiet nic się nie da zrobić.

8. Asystent oparty na dużym modelu językowym podał klientowi pewnym tonem nieprawdziwą informację. Jaki wniosek wyciągasz?

Że modele językowe mogą generować błędne treści — trzeba projektować kontrolę jakości, weryfikację źródeł i nadzór człowieka. Że to rzadki błąd, który raczej się nie powtórzy. Że to wina klienta, bo źle sformułował pytanie.

9. Jak pracujesz nad projektem uczenia maszynowego w zespole?

Dokumentuję eksperymenty, wersjonuję kod i dane, a wyniki opisuję tak, by inni mogli je odtworzyć. Trzymam wszystko u siebie, a zespołowi pokazuję gotowy wynik. Wolę pracować całkowicie samodzielnie, bez dzielenia się kodem.

10. Co najbardziej motywuje Cię do podjęcia studiów podyplomowych „Artificial intelligence. Machine learning”?

Chęć projektowania i trenowania modeli uczenia maszynowego, które rozwiązują realne problemy. Chęć zrozumienia sztucznej inteligencji, z którą coraz częściej spotykam się w pracy. Nie jestem pewien/pewna, czy to dla mnie

⇑Artificial intelligence. Machine learning na Uniwersytecie WSB Merito Gdańsk

⇑Test: sprawdź czy Artificial intelligence. Machine learning to studia dla Ciebie

Przejdź do:

Kontakt:

Wiadomości: