Spring Boot 核心的 3 个注解详解
|
这是一个分段函数。在第一阶段，在该模型在应用程序场景中实现实用之前，没有任何业务价值。在第二阶段，尽管理论上更好的模型应该具有更好的性能(响应时间和有效性等)，但在实际场景中它可能并不那么明显。以下进行一下了解。 在医生确认患者是否患有肺部感染之前，需要对其肺部进行CT检查，将生成约300张CT图像。而经验丰富的医生将不得不花费5～15分钟来研究这些CT图像。在通常情况下，如果治疗的患者数量不多不会有什么问题。但是，在极端情况下(例如持续蔓延的冠状病毒疫情)，患者数量激增将让医生不堪重负。 一个好消息是，数据科学家致力通过计算机视觉技术帮助医生。他们训练的模型可以在几秒钟内处理成百上千的CT图像并提供诊断建议。因此，医生只需花费1分钟的时间就可以查看模型生成的结果。因此，在采用机器学习技术之前，医生平均需要花费10分钟的时间才能查看一次CT扫描生成的结果，而现在大约需要1分钟。生产率提高了近90%。 如果有一个更快的模型，只需要3秒钟就可以生成结果，那会怎么样?如果有一个更有效的模型可以将准确度从80%提高到90%会怎么样?医生检查的结果会更少吗?其答案是否定的，这是因为该模型中，如果十分之一将会出错，但并不知道哪个是错误的，医生必须审查所有结果。因此不会节省更多的诊断时间。 此外，为了降低模型推理服务的成本，有时需要牺牲模型有效性。例如一个拥有5500万张商标图片的商业智能平台提供商，该公司希望提供一项服务，允许用户搜索这些商标的所有者。用户通过上传商标图像作为输入查询而不是给出关键字来执行搜索。
其背后的技术是计算机视觉，例如VGG模型。如果企业在后端服务器上运行模型推理，则必须分配和预留数据中心的硬件资源。另一个选择是部署一个规模更小的模型，这样企业就可以把模型推理放在边缘计算设备上(大多数情况下是智能手机)。它肯定会降低像GPU这样昂贵的模型推理硬件的成本。这是另一个例子，SOTA模型不可能在所有场景中都具有竞争力。 向人工智能转型的转折点 一般而言，技术升级的转折点是其回报远远超出成本。当将其应用于人工智能转型时，它将涉及一些基本因素，其中包括模型(算法)、模型推断和数据服务。 在谈论模型时，人们需要了解利用人工智能技术的期望值。如果希望采用人工智能技术来击败和取代人类，例如采用人工智能驱动的对话机器人取代所有的客户支持专家，那么对人工智能模型的需求将相当高，并且在短期内无法实现。 如果企业想让客户支持专家从单调繁琐的日常工作中解脱出来，这意味着计划利用人工智能技术提高人类的生产力和能力，那么现在的模型在许多情况下都能实现。
这听起来令人鼓舞。但是关于模型的激烈争论是，尽管一些模型可供使用，但却没有一个最佳的模型。那些雇佣人工智能科学家拥有这些技术发展水平(SOTA)模型的公司。如果只使用公共模型，那么会失去竞争优势吗?人们对此感到困惑，因为他们认为效率更高的模型会带来更高的业务价值，但这种想法可能是错误的。在大多数情况下，模型有效性与商业价值之间的关系既不是线性的，也不是单调递增的。这一函数的图形如下所示。 制定数据驱动策略之前的重要问题 大数据对于确保投资的长期盈利能力非常有用。但是，在提出数据驱动的投资策略之前，需要了解一些事情。 如果想投资或想为一家初创企业提供资金，以下问题应该有助于投资者做出正确的决定。 (1)制定计划了吗? 投资者是否制定了计划可以节省投资?经验丰富的交易员开始使用正确定义的计划进行交易。 例如，他们可以说出切入点和令人兴奋的观点，以及应该进行投资多少。他们还考虑了愿意投资者能够承担的损失。初学者可能会在交易开始时缺乏交易计划。尽管有些投资者可能拥有计划，但与经验丰富的投资者不同，他们可能不会大胆付诸实践。一个很好的例子是，他们在以市场价格下跌购买证券后可能做空。 (2)是否进行了多元化投资? 如果投资者进行多元化投资，那么他们可以避免更多损失。一方面，拥有多个投资组合可以为一两次投资失败提供保护。另外，可以保护投资者免受投资的极端价格波动的影响。还要意识到，当一项资产表现不佳时，另一项资产可能会更好。优先考虑多元化投资有助于保持投资安全。最好的建议是避免以不超过资产净值的5%到10%的比例分配资本。 大数据对于现代投资至关重要 如上所述，在学习了避免常见错误投资的方法之后，享受投资过程就会容易得多。明确解决投资中的致命错误可能会弥合贫穷与财富之间更大的鸿沟。为投资者给出最好的建议是，为投资组合增补资金，以实施更舒适和可持续的长期合理投资策略。
最后，投资组合增加将反映投资行动的稳健性。而大数据对于所有这些方面都很重要。数据驱动型投资者在未来几年内将会蓬勃发展。 （编辑：淮南站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
