有句老话非常适用于人工智能和为其提供动力的数据：“垃圾进，垃圾出”。Gartner发现，只有 47% 的 ML/AI 模型从原型进入生产阶段。这些模型很复杂，有许多因素会影响它们的成功。

例如，如果您创建模型以扩大市场份额，则它们需要灵活适应许多外部市场因素。所有这一切都说明您需要记住，当涉及到 AI/ML 模型时，一种尺寸并不适合所有人。因此，越来越多的公司开始尝试本地化模型的概念，而不是使用一揽子方法。

早期成功更容易

当您使用 AI/ML 模型的前几个版本来推动业务时，您通常会很快看到很多价值。如果我们将 AI 的成功之旅视为“0 到 100”的等级——只需对算法或模型进行一些调整，您就可以相当快地从 0 到 60。但努力达到 100 分——努力实现更多价值——这通常是旅程中最困难的部分。

想象一下，您管理一家零售连锁店，并使用 AI 模型来预测商店运营需要多少员工。在大多数情况下，您将从基本模型(也称为基础模型)开始。您将立即看到该模型取得的一些巨大成功。它可以快速将您带到 AI 旅程中的某个水平。

但从那时起，实现价值和成功的难度呈指数级增长。它需要开箱即用的思维和新的方法来充分实现模型的价值。这就是本地化概念可以适用的地方。

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：