你可能会认为这样的机器学习(ML)专业公司Intellegens总是追求完美的模型——这需要一套新的系统输入和预测输出每次都正确。但是,尽管模型精度的重要性,可以关注太多在实际研发。
“近乎完美”模型——通常被认为是一个模型,预测在5%——可能意味着可靠地输出机器学习(毫升)发现一组健壮的关系未观察到通过削减通过多维的复杂性。
图片来源:Intellegens有限
然而,这也意味着实验设计不良或琐碎,毫升只是确认明显。这样的完美,在任何情况下,数学上无法实现的许多复杂系统固有的不确定性。
研发在现实世界中,一个典型的用例可能是设计一组实验来找到更有效的配方,化学物质或材料。欧洲杯足球竞彩这里,可视化的范围可能超出了人类大脑的能力,甚至相对复杂的实验设计方法仍然导致大型,昂贵和耗时的实验项目。用户不希望完美——他们只是想毫升将有利于他们的可能性,预测,超越逻辑目前驾驶他们的工作。
追求理想的模型也可能浪费时间,是在其他地方用得更好。它也可能导致用户无意中缩小搜索空间的方式排除更多的创新的解决方案。
而不是问如何准确的模型是,正确的问题可能集中在模型的实用性。下面是Intellegens”五大问题的例子可以帮助用户来塑造他们的模型:
1。“能在更少的实验我们得到答案?”
正在使用的毫升有能力理解缺失的数据最好能提高它的准确性?这些信息可以被部署到决定下一步实验执行,导致显著减少投放市场的时间。在某些情况下,Alchemite™软件从Intellegens +实验工作量减少了80%。更常见的情况下,减少50%的报道。
2。对配方的我们如何产生新的想法,实现我们的目标?”
新概念有成功的机会从一个准确的模型。和研发团队有很大的帮助如果模型提供了一个健壮的估计的不确定性,指出他们对那些最可能成功的人。如果毫升可以移动盘,这样一个在三个候选人配方成功前规五分之一的时候,这个世界就会大不一样。
3所示。“我们可以删除昂贵或环境有害的成分吗?”
这样的问题通常来自消费者、监管、市场压力,需要快速响应。毫升可以筛选潜在的解决方案,表明可能的成功可以由量化预测的不确定性。
4所示。”,我们应该关注——输入是最重要的?”
的绝对精度预测可能比是否那么重要有用的关系确定,例如,在结构、处理变量和属性。通常,后者是最重要的用户所需要的信息。一系列分析工具,允许用户探索的灵敏度输出特定的输入由Alchemite提供™。
5。我们能更好地利用专业知识我们已经开发了?”
了解发达国家研发项目中以巨大的代价往往是不被重用。一个有价值的起点为未来的项目可以提供的捕获这一观点的能力毫升模型。
Alchemite™分析——输入影响输出的变化如何?
而不是集中在ML为“神奇的子弹”,有必要考虑在告知其使用科学的直觉和运行它。
图片来源:Intellegens有限
有正确的工具是至关重要的不确定性量化和图形分析查询和理解结果。当数据是混乱的,因为它往往是在研发,而不是投资的前期努力清洁和丰富的数据,它可以是有价值的能够生成一个毫升模型——甚至是一个不完美的人——很快。通过探索这种模式下,用户可以了解迭代和改善他们的工作和更低的成本。
研究团队Intellegens值精确模型,有时,他们,当然,必不可少的。大多也工作的精神格言通常归因于统计学家乔治·框:“所有模型都是错的;一些是有用的。”
这些信息已经采购,审核并改编自Intellegens有限公司提供的材料。欧洲杯足球竞彩
在这个来源的更多信息,请访问Intellegens有限。