Leestijd : 0 minuten

Testen van kunstmatige-intelligentiesystemen – mythe versus realiteit (deel 2)

Voordat we de aanpak voor het testen van Machine Learning-toepassingen begrijpen, gaan we eerst kijken naar de stappen die nodig zijn om ze te bouwen. Hieronder volgen de algemene stappen voor het bouwen van een machine learning-toepassing, zoals aanbevolen door de Amazon Machine Learning-portal:

  • Kader het (de) belangrijkste ML-probleem(en) in termen van wat wordt waargenomen en welk antwoord u wilt dat het model voorspelt.
  • Gegevens verzamelen, opschonen en voorbereiden om deze geschikt te maken voor gebruik door ML-modeltrainingsalgoritmen. Visualiseer en analyseer de gegevens om gezondheidscontroles uit te voeren om de kwaliteit van de gegevens te valideren en de gegevens te begrijpen.
  • Vaak worden de onbewerkte gegevens (invoervariabelen) en het antwoord (doel) niet weergegeven op een manier die kan worden gebruikt om een zeer voorspellend model te trainen. Daarom moet u doorgaans proberen om meer voorspellende invoerrepresentaties of kenmerken te construeren uit de onbewerkte variabelen.
  • Voer de resulterende functies in naar het leeralgoritme om modellen te bouwen en de kwaliteit van de modellen te evalueren op basis van gegevens die uit modelbouw werden gehaald.
  • Gebruik het model om voorspellingen van het doelantwoord te genereren voor nieuwe gegevensinstanties.

De eerste stap “Wat te voorspellen” vormt de basis voor de rest in de bovenstaande reeks. Nu zijn er gevallen waarin “op regels gebaseerde systemen” nuttig kunnen zijn om een oplossing te bouwen in plaats van Machine Learning-technieken te gebruiken. Zuci deed een jaar geleden een webinar met de titel “Smart Phones, Smart Apps call for Smarter Tests”, waar we de verschillen bespraken tussen op regels gebaseerde systemen en oplossingen van de volgende generatie, zoals Machine Learning. Bekijk de video om meer te weten.

Terugkomend op de twee organisaties waarmee we in gesprek waren, de vraag “Wat te voorspellen” was de daadwerkelijke toepassing/oplossing/product die de bedrijven aan het bouwen waren. Terwijl een van de bedrijven Machine Learning gebruikte om een voorspellingsoplossing voor de investeringssector te bouwen, was de op Machine Learning gebaseerde voorspellingsoplossing ontworpen door het andere bedrijf gericht op meerdere sectoren, zoals de detailhandel, de gezondheidszorg en de financiële dienstverlening.

Beide organisaties hadden een team van Data Scientists (Ph. D’s in Mathematics/Statistics), die de wiskundige modellen voor de machine learning-algoritmen bedachten. Met een team van software-architecten zijn de wiskundige modellen omgezet naar softwareprogramma’s. Front-end-ontwikkelaars hebben deelgenomen aan het bouwen van visueel rijke gebruikersinterfaces voor de applicaties met behulp van technologieën zoals JavaScript, HTML5, CSS, Angular, React en andere.

Dus, hoe gingen de organisaties om met testen? Wat was de rol van Zuci bij het testen van de applicaties?

(Wordt vervolgd …)

Read more

Testen van kunstmatige-intelligentiesystemen – mythe versus realiteit (deel 4)

Testen van kunstmatige-intelligentiesystemen – mythe versus realiteit (deel 3)

Testen van kunstmatige-intelligentiesystemen – mythe versus realiteit

Similar posts

Machine Learning en kunstmatige intelligentie: softwaretesten om ‘slimmer’ te worden?

Keerthi Veerappan

An INFJ personality wielding brevity in speech and writing. Marketer @ Zucisystems.

Deel deze blog, kies uw platform!

Leave A Comment

gerelateerde berichten