URN_NBN_SI_DOC-RKSH48DC

Tveganja in možnosti kontrol pri rešitvah umetne inteligence 71 podatkov ter izvajanje transformacij za zmanjševanje dimenzionalnosti in števila efektivnih spremenljivk. • Sledi določitev funkcije strojnega učenja oz. inteligentne analize podatkov, pri čemer določimo namen izpeljanega modela (na primer: klasifikacija, regresija, povezovalna analiza ...). • Glede na izkazane potrebe, izbrane podatke in namen rešitve nato izberemo sam algoritem strojnega učenja glede na postavljene cilje in odločevalčeve potrebe. Za uspešen rezultat moramo nastaviti še zagonske parametre izbranega algoritma, saj lahko uglaševanje parametrov algoritma bistveno vpliva na rezultat. Sledi še dejanska izvedba izbranega algoritma z namenom odkritja relevantnih vzorcev v podatkih. • Za poln izkoristek zgrajenih modelov znanja po izvedbi algoritma strojnega učenja sledi faza interpretacije, v kateri najprej odstranimo redundantne in nepomembne vzorce ter pretvorimo uporabne izpeljane vzorce v razumljivo predstavitev, obogateno z ustrezno vizualizacijo. • Zadnja faza je ovrednotenje zgrajenih napovednih modelov. Pravilno ovrednotenje poiskanega znanja je ključno za uspešno uporabo rešitev umetne inteligence, saj nam rezultati vrednotenja povedo, kakšno stopnjo uspešnosti lahko pričakujemo od zgrajene rešitve pri dejanski uporabi v produkcijskem okolju. Medtem ko lahko v mnogih aktivnostih procesa strojnega učenja sodelujejo strokovnjaki, ki nimajo poglobljenih strokovnih znanj s področja umetne inteligence (poslovni analitiki, strokovnjaki za upravljanje podatkov ...), pa so predvsem za jedro procesa – optimizacijo cevovoda strojnega učenja (slika 2) – ključna specifična znanja, pomanjkanje katerih je večinoma glavni vzrok neuspešnih rešitev.