¿Escéptico sobre los datos utilizados para las recomendaciones derivadas de la IA?

 Como ejecutivo senior o CIO, ¿cómo puede asegurarse de que las recomendaciones derivadas de la inteligencia artificial o del aprendizaje automático son razonables y fluyen lógicamente del trabajo del proyecto que se ha realizado?


Si bien desea brindar apoyo y alentar el trabajo de su equipo, no desea que lo engañen inadvertidamente y desea confirmar que el equipo de ciencia de datos no se ha engañado a sí mismo.


“La calidad de datos superior y un volumen de datos suficientemente rico son esenciales para las recomendaciones de AI / ML de calidad en tiempo real”, dice el Dr. Jim Webber, Científico de Datos en Jefe de Neo4j, un proveedor líder de software de bases de datos de gráficos.


Aquí hay algunas preguntas de alto nivel que puede hacerle al equipo sobre los datos. Están diseñados para que todos tengan la seguridad de que las recomendaciones de IA / ML son sólidas y se pueden implementar con confianza aunque usted y todos los demás sepan que no es un experto. Empiece por seleccionar una pregunta que le preocupe más y con la que se sienta más cómodo haciéndola.


Calidad de los datos

La confianza que puede tener en las recomendaciones derivadas de AI / ML depende en gran medida de la calidad de los datos que se encuentran en las fuentes de datos utilizadas por el equipo del proyecto. La calidad de los datos es probablemente el elemento más crítico de todos los componentes del sistema que subyacen a las recomendaciones. Aquí hay algunas preguntas relacionadas que iluminarán la calidad real de los datos:


¿Cómo determinó que las fuentes de datos eran relevantes para el espacio del problema?

¿Cómo sabemos que las fuentes de datos que empleó son suficientes para respaldar el modelo de manera integral?

¿Cómo sabemos que la calidad de los datos que empleó es suficiente para respaldar el modelo de manera integral?

¿Con qué profundidad perfilaste los datos para evaluar su calidad inicial e identificar las acciones que emprendiste para mejorar la calidad de los datos?

¿Cómo elevó la calidad y el volumen de los datos lo suficiente como para asegurarse de que el término de error asociado con el modelo sea pequeño o modesto?

¿Cómo sabemos que el volumen de datos que empleó es suficiente para cumplir con los requisitos del modelo?

¿Cómo determinaron los expertos de su dominio que el contexto de datos es lo suficientemente rico para respaldar el modelo y evitar malentendidos de los significados de los datos?

¿Cómo determinó que los datos de entrenamiento para su modelo eran lo suficientemente ricos como para garantizar la precisión del modelo?

¿Cómo sabemos que los datos contienen suficientes datos históricos y actuales para respaldar los requisitos del modelo?

¿Cómo abordó la gestión de metadatos para asegurarse de que los elementos de datos en las fuentes de datos son adecuados para un modelo confiable?

https://www.itworldcanada.com/blog/skeptical-about-data-used-for-ai-derived-recommendations/439620

Comentarios

Popular

Es hora de que la IA se explique

Ann Cavoukian explica por qué la vigilancia invasiva no debería ser la norma en los entornos urbanos modernos y sostenibles

Gemelos digitales, cerebros virtuales y los peligros del lenguaje