如何选择和部署业务特定的AI型号

DJ DAS是第三次数据的创始人兼首席执行官，该公司是一家转换使用AI应用的企业。串行和平行的企业家，DJ也是硅谷各种以数据为中心的天使投资者。

在某些用例中有效，这些解决方案不会在框中使用特定的行业需求。寻求其AI项目中最准确的结果的组织只需转向行业特定的型号。

有几种方法可以产生特定的行业结果。一个人将采用混合方法 - 采用开源通用AI模型，并进一步培训以与业务的特定需求保持一致。公司也可以查看第三方供应商，如IBM或C3，并立即访问完整的解决方案。或者 - 如果他们真的需要 - 数据科学团队可以从头开始建立自己的车型。

让我们潜入这些方法中的每一种，以及企业如何决定哪一个适用于他们独特的情况。

vision ai或重新识别和开源从tensorflow或scikit-seather的通用ai模型往往无法在融资或能源领域等行业的利基用例时无法产生足够的结果。许多企业具有独特的需求，并且没有某种行业的上下文数据的模型将无法提供相关结果。

在第三个数据中，我们最近使用公用事业公司来通过使用AI分析数千个图像来标记和检测电杆中的缺陷。我们开始使用Google Vision API，发现它无法生成所需的结果 - 具有完全无法使用的AI模型的精度和调用值。该模型无法读取电动极上标记内的字符90％的时间，因为它没有识别标签中使用的非标准字体和不同的背景颜色。

因此，我们从Tensorflow中获取了基础计算机视觉模型，并优化了本公布公司的确切需求。经过两个月的发展AI模型来检测和破译电杆上的标签，另外两个月的训练这些模型，结果显示精度超过90％。通过再培训迭代，这些将继续随着时间的推移而改善。

任何寻求扩展其AI功能的任何团队都应首先将其数据和用例应用于通用模型并评估结果。 可以在AI和ML框架上找到公司可以开始使用的开源算法，如Tensorflow，Scikit-rement或Microsoft认知工具包。 在第三的数据中，我们在Tensorflow上使用了卷积神经网络（CNN）算法。 然后，如果结果不足，该团队可以通过对自己的行业特定数据进一步培训来扩展算法。