186 search results for "意见"

介绍 了解用户需求对于任何与用户相关的业务来说都是至关重要的。但这也需要大量的辛勤工作和分析，而这是非常昂贵的。为什么不利用机器学习呢？通过使用Auto ML，可以减少编码量。 在本文中，我们将利用HuggingFace AutoTrain和Kili构建一个用于文本分类的主动学习流水线。Kili是一个通过质量训练数据创建的数据中心方法来赋能机器学习的平台。它提供了协作数据标注工具和API，使可靠的数据集构建和模型训练之间的快速迭代成为可能。主动学习是一个过程，其中您将标记的数据添加到数据集中，然后进行迭代地重新训练模型。因此，它是无限的，并且需要人类来标记数据。 作为本文的一个具体示例用例，我们将使用来自Google Play Store的VoAGI用户评论来构建我们的流水线。然后，我们将使用我们构建的流水线对评论进行分类。最后，我们将对分类的评论应用情感分析。然后我们将分析结果，更容易理解用户的需求和满意度。 使用HuggingFace进行自动训练 自动化机器学习是指自动化机器学习流程的一个术语。它还包括数据清洗、模型选择和超参数优化。我们可以使用🤗 transformers进行自动化的超参数搜索。超参数优化是一个困难且耗时的过程。 虽然我们可以通过使用transformers和其他强大的API自己构建我们的流水线，但也可以使用AutoTrain进行完全自动化。AutoTrain是建立在许多强大的API（如transformers、datasets和inference-api）之上的。 数据清洗、模型选择和超参数优化步骤在AutoTrain中都是完全自动化的。可以充分利用这个框架为特定任务构建可供生产使用的SOTA转换器模型。目前，AutoTrain支持二分类和多标签文本分类、标记分类、抽取式问答、文本摘要和文本评分。它还支持英语、德语、法语、西班牙语、芬兰语、瑞典语、印地语、荷兰语等许多语言。如果您的语言在AutoTrain中不受支持，也可以使用自定义模型和自定义分词器。 Kili Kili是一个面向数据中心业务的端到端AI训练平台。Kili提供了优化的标注功能和质量管理工具来管理您的数据。您可以快速注释图像、视频、文本、pdf和语音数据，同时控制数据集的质量。它还具有用于GraphQL和Python的强大API，极大地简化了数据管理。 它可在线或本地使用，并且可以在计算机视觉、自然语言处理和OCR上实现现代机器学习技术。它支持文本分类、命名实体识别（NER）、关系抽取等NLP/OCR任务。它还支持计算机视觉任务，如目标检测、图像转录、视频分类、语义分割等等！ Kili是一种商业工具，但您也可以创建一个免费的开发者帐户来尝试Kili的工具。您可以从定价页面了解更多信息。 项目 我们将以评论分类和情感分析为例，来了解一个移动应用程序的见解。 我们从Google Play Store中提取了大约4万条VoAGI的评论。我们将逐步对此数据集中的评论文本进行标注。然后我们将构建一个评论分类的流水线。在建模过程中，第一个模型将使用AutoTrain准备。然后我们还将构建一个不使用AutoTrain的模型。 项目的所有代码和数据集都可以在GitHub存储库中找到。 数据集 让我们首先看一下原始数据集，…

在6月12日，Hugging Face向美国商务部NTIA的AI责任政策信息请求提交了回应。在我们的回应中，我们强调了文档和透明度规范在推动AI责任流程中的作用，以及依靠技术的众多利益相关者的全面专业知识、观点和技能来应对这项技术前所未有的增长所带来的问题。 Hugging Face的使命是“民主化良好的机器学习”。我们理解这个上下文中的“民主化”一词是指使机器学习系统不仅更容易开发和部署，而且更容易让众多利益相关者理解、审查和批评。为此，我们致力于通过教育工作、文档化、社区指南和负责任的开放方式来促进透明度和包容性，同时开发了无代码和低代码工具，以便让各种技术背景的人们能够分析机器学习数据集和模型。我们相信，这有助于所有感兴趣的人更好地理解机器学习系统的局限性，以及如何安全地利用这些系统最好地服务用户和受这些系统影响的人们。这些方法已经证明在促进问责方面非常有用，尤其是在我们帮助组织的更大型的跨学科研究项目中，包括BigScience（请参阅我们关于该项目社会利益的博客系列）和最近的BigCode项目（其治理在此处有更详细的描述）。 具体而言，我们对问责机制提出以下建议： 问责机制应当关注机器学习开发过程的所有阶段。完全依赖人工智能系统的社会影响取决于在开发的每个阶段所做的选择，这些选择是不可能完全预测的，而只关注部署阶段的评估可能会鼓励表面层次的合规性，无法解决深层次的问题，直到它们造成了重大损害。 问责机制应当将内部要求与外部访问和透明度相结合。内部要求，如良好的文档实践，塑造了更负责任的开发，并清晰地规定了开发人员在实现更安全和可靠的技术方面的责任。对内部流程和开发选择的外部访问仍然是必要的，以验证声明和文档，并赋予技术的众多利益相关者权力，这些利益相关者并不属于其开发链，但能够有意义地塑造其发展并推动他们的利益。 问责机制应当吸引最广泛的贡献者参与，包括直接从事技术开发的开发人员、跨学科研究社区、倡导组织、政策制定者和新闻工作者。理解机器学习技术迅速增长带来的变革性影响是一个超出任何单个实体能力范围的任务，将需要充分利用我们广泛的研究社区及其直接用户和受影响人口的各种技能和专业知识。 我们相信，优先考虑机器学习工件本身的透明度以及对其评估结果的透明度将对实现这些目标至关重要。您可以在此处找到我们更详细的回应，以解决这些问题。

在这个故事中，我将试图揭示现代数据仓库解决方案（DWH）相对于其他数据平台架构类型的好处我敢说DWH是最…

根据佐治亚技术研究院的调查结果显示，仅53%的机器学习（ML）项目能够从概念验证（POC）阶段成功转入生产通常存在着战略目标与实际进展之间的不协调问题…

几年来，您一直在从事数据科学家的工作，您的目标是提升到下一个级别尽管在当前的数据科学家角色中做得出色至关重要，但在许多组织中，单凭这一点是不够的