没有数据的ai

我们经常与AI机会的组织合作，数据不存在。鉴于AI由数据驱动的传统智慧，我们甚至可以在没有数据的情况下追求这些机会吗？

是的，我们可以，并且有很多道路前进。

我们已经在以前的迷你博客中介绍了一系列这些技术。让我们回顾那些并介绍一些其他人，记住并非所有AI应用程序都仅基于监督学习。

如果我们没有数据，我们设计计划策划与模型和产品开发并行的数据集。这可能意味着开发一个UI，允许用户将数据标记为其（改进的）工作流程的一部分，形成众多之一积极学习循环。它也意味着选择一种诸如加强学习，通过学习解决了没有历史数据的“冷启动”问题实验。如果通过这些方法中的任何一种来获取数据，我们可能仍然探索生成选择通过模拟，配对优化技术。

如果我们有未标识，非结构化，相邻或历史上不兼容的数据，我们可以使用转移学习等技术代表学习启动更多性能模型并在新数据可用时创建可以快速适应新颖情况的灵活数据产品。如果我们只有一个小型数据集或嘈杂的标签，我们可以使用训练信号放大薄弱标签基于数据中固有的特征，或通过提供具有数据编程工具的人类注释器来便宜地创造许多弱提示。

除了认可的偏见问题之外，Covid-19大流行表明历史标记数据可以陈旧过时极度迅速。无论您对数据的方法如何，您也需要考虑在没有数据的情况下进行AI，以及如何快速验证和迭代真实的解决方案业务流程或者客户体验。如果这听起来很有趣，请联系以了解更多信息。