Dữ liệu của bạn có thể cho bạn biết nhiều điều về loại ML bạn có thể thực hiện

"Text Data (xây dựng chatbot phục vụ khách hàng,…):

• Nhiều dữ liệu: có thể tận dụng DP. Cần thiết kế một cơ sở hạ tầng kỹ thuật dữ liệu mạnh mẽ xung quanh dữ liệu. Việc lập mô hình đòi hỏi những người có chuyên môn cao trong lĩnh vực này. Máy GPU sẽ tăng tốc độ mô hình hóa

• Lượng dữ liệu ít: Có lẽ nên khám phá các mô hình DL được đào tạo trước đầu tiên. Cơ sở hạ tầng kỹ thuật ít quan trọng hơn. Việc lập mô hình có thể được thực hiện bởi lực lượng lao động ít chuyên môn hơn. Máy GPU có thể không cần thiết

Dữ liệu hình ảnh (nhận diện khuôn mặt cho hệ thống an ninh, hệ thống thực tế tăng cường,...):

• Nhiều dữ liệu: DL có thể sẽ tạo ra hiệu suất vượt xa mọi thứ mà kỹ thuật truyền thống có thể tạo ra. Cần thiết kế một cơ sở hạ tầng kỹ thuật dữ liệu mạnh mẽ xung quanh dữ liệu. Nghề người mẫu đòi hỏi người có chuyên môn cao. Máy GPU là phải.

• Lượng dữ liệu ít: Mô hình DL được đào tạo trước có thể mang lại kết quả khả quan nhưng có thể đặt ra câu hỏi về việc đầu tư vào ML nói chung cho các ứng dụng Thị giác Máy tính. Cơ sở hạ tầng kỹ thuật xung quanh dữ liệu ít quan trọng hơn. Việc lập mô hình có thể được thực hiện bởi lực lượng lao động ít chuyên môn hơn. Máy GPU vẫn quan trọng để cải thiện tốc độ mô hình hóa.

Dữ liệu chuỗi thời gian (dự báo doanh số, dự đoán giá cổ phiếu,...):

• Nhiều dữ liệu: Các phương pháp truyền thống như XGBoost nhìn chung sẽ mang lại hiệu suất cao hơn trong dữ liệu chuỗi thời gian. Cần thiết kế một cơ sở hạ tầng kỹ thuật dữ liệu mạnh mẽ xung quanh dữ liệu. Việc lập mô hình có thể được thực hiện bởi các nhà khoa học dữ liệu tổng quát. GPU (ví dụ cho Transformers hoặc LSTM) và máy CPU có thể được tận dụng.

• Lượng dữ liệu ít: Có khả năng không phải là vấn đề cần giải quyết bằng kỹ thuật ML. Cơ sở hạ tầng kỹ thuật xung quanh dữ liệu ít quan trọng hơn. Việc lập mô hình có thể được thực hiện bởi lực lượng lao động ít chuyên môn hơn. Máy GPU rất có thể là không cần thiết.

Dữ liệu dạng bảng (đề xuất sản phẩm, dự đoán tỷ lệ rời bỏ khách hàng, ...):

• Nhiều dữ liệu: kỹ thuật ML truyền thống thường hoạt động tốt hơn Deep Learning. Tuy nhiên, trong trường hợp đề xuất sản phẩm có biến số rất thưa thớt, DL đã được chứng minh là mang lại hiệu quả vượt trội. Cần thiết kế một cơ sở hạ tầng kỹ thuật dữ liệu mạnh mẽ xung quanh dữ liệu. Việc lập mô hình có thể được thực hiện bởi các nhà khoa học dữ liệu tổng quát. GPU có thể không hữu ích lắm vì Deep Learning ít liên quan hơn trong trường hợp này (ngoại trừ trường hợp Rec Engines).

• Lượng dữ liệu ít: Có lẽ đây không phải là vấn đề cần giải quyết bằng ML. Có lẽ nên xem xét lại việc đầu tư vào phân tích nâng cao. Cơ sở hạ tầng kỹ thuật dữ liệu mạnh mẽ xung quanh dữ liệu ít quan trọng hơn. Việc lập mô hình có thể được thực hiện bởi lực lượng lao động ít chuyên môn hơn. Máy GPU rất có thể là không cần thiết."

TÁC GIẢ

Về ABN Asia: AiUTOMATING PEOPLE, ABN Asia được thành lập từ năm 2012, là một công ty xuất phát từ học thuật, do những giảng viên, cựu du học sinh Hungary, Hà Lan, Nga, Đức, và Nhật Bản sáng lập. Chúng tôi chia sẻ đam mê chung và tầm nhìn vững chắc về công nghệ, mang đến sự đổi mới và chất lượng đỉnh cao cho khách hàng. Phương châm của chúng tôi là: Tốt hơn. Nhanh hơn. An toàn hơn. Trong nhiều trường hợp: Rẻ hơn.

Hãy liên hệ với chúng tôi khi Quý doanh nghiệp có các nhu cầu về dịch vụ công nghệ thông tin, tư vấn chuyển đổi số, tìm kiếm các giải pháp phần mềm phù hợp, hoặc nếu Quý doanh nghiệp có đấu thầu CNTT (RFP) để chúng tôi tham dự. Quý doanh nghiệp có thể liên hệ với chúng tôi qua địa chỉ email [email protected]. Chúng tôi sẵn lòng hỗ trợ với mọi nhu cầu công nghệ của Quý doanh nghiệp.

© ABN ASIA