# Einführung

Ich weiß, dass die Dinge zunächst einfach erscheinen, wenn Anfänger anfangen, maschinelles Lernen zu erlernen. Sie folgen einem Tutorial, in dem Sie aufgefordert werden, einen Datensatz zu laden und ein Modell zu trainieren, und dann sehen Sie etwa Folgendes: loss = "mse" oder criterion = nn.CrossEntropyLoss().

Und schon beginnt das Tutorial, über Gleichungen, Verläufe, Optimierung und griechische Buchstaben zu sprechen. Wenn Sie jemals mitgenickt haben, ohne wirklich zu verstehen, was eine Verlustfunktion bewirkt, sind Sie nicht allein. Verlustfunktionen werden oft rückwärts erklärt. Die meisten Tutorials beginnen mit der Formel, obwohl sie mit der Idee beginnen sollten. Dieser Artikel ist Teil meiner Noob-Serie, in der ich Ihnen das Verständnis erleichtern werde. Additionally, fangen wir an.

# Was ist eine Verlustfunktion?

Eine Verlustfunktion gibt an, wie ein Modell für maschinelles Lernen weiß, wie falsch es ist. Das ist buchstäblich das ganze Konzept. Das Modell macht eine Vorhersage. Die Verlustfunktion vergleicht diese Vorhersage mit der richtigen Antwort. Dann gibt es dem Modell eine Zahl, die besagt: „So schlimm battle Ihr Fehler.“

A hoher Verlust bedeutet, dass das Modell battle sehr falsch.

A geringer Verlust bedeutet, dass das Modell battle schließen.

Während des Trainings passt sich das Modell ständig an, um den Verlust zu verringern.

So geschieht Lernen. Wenn Sie ein Dartspiel gespielt haben, ist es sehr ähnlich. Du wirfst den Pfeil. Um sich zu verbessern, brauchen Sie Suggestions. Sie müssen wissen, ob Ihr Pfeil etwas daneben, zu weit weg, zu hoch oder zu weit hyperlinks battle. Ohne dieses Suggestions können Sie sich nicht verbessern. Das Bullauge ist additionally grundsätzlich die richtige Antwort und der Pfeil die Vorhersage. Sie messen den Abstand zwischen dem Pfeil und dem Bullseye. Die Verlustfunktion misst, wie weit entfernt der Pfeil gelandet ist. Dieser Abstand wird zum Feedbacksignal des Modells. So würde es aussehen, wenn Sie eine Visualisierung bevorzugen.

Genauso wie der Abstand zur Mitte wichtig ist, ist ein zu großer Abstand nicht gleichbedeutend mit einem weit entfernten Wurf. Ebenso reicht es bei Modellen nicht aus, nur zu wissen, dass die Antwort falsch ist. Um sich zu verbessern, muss das Modell wissen, wie stark es versagt hat.

Nachdem wir nun verstanden haben, was eine Verlustfunktion ist und warum wir sie brauchen, schauen wir uns einige davon an Häufige Verlustfunktionen, die beim maschinellen Lernen verwendet werden.

# Mittlerer quadratischer Fehler

Der häufigste Verlust bei der Vorhersage von Zahlen ist der mittlere quadratische Fehler (MSE). Es wird häufig verwendet, wenn das Modell Zahlen wie Immobilienpreise, Temperaturen oder Lieferzeiten vorhersagt. Die Idee ist sehr einfach.

• Fehler: Berücksichtigen Sie für jede Vorhersage die Lücke zwischen der Vermutung und der Wahrheit.
• Kariert: Multiplizieren Sie jede Lücke mit sich selbst.
• Bedeuten: Berechnen Sie den Durchschnitt aller quadratischen Lücken.

Sie können es in Python wie folgt schreiben:

def mean_squared_error(predictions, actuals):
    squared_errors = ((p - a) ** 2 for p, a in zip(predictions, actuals))
    return sum(squared_errors) / len(squared_errors)

Nun weiß ich, dass es intuitiv sinnvoll ist, die Fehler zu nehmen und dann einen Mittelwert über die Vorhersagen zu bilden, aber zu verstehen, warum wir sie quadrieren, kann verwirrend sein. Dies geschieht aus zwei Gründen:

• Durch die Quadrierung wird jeder Fehler positiv. Ein Fehler von +3 und ein Fehler von -3 sind gleich schlimm, und durch Quadrieren werden beide zu 9, sodass sie sich nicht mehr gegenseitig aufheben.
• Beim Quadrieren werden große Fehler viel härter bestraft als kleine. Das ist für viele Anwendungsfälle intestine. Wenn Sie beispielsweise Immobilienpreise vorhersagen, sollte ein Fehler von 1.000 $ gegenüber 200.000 $ entsprechend bestraft werden.

# Mittlerer absoluter Fehler

Eine weitere häufige Verlustfunktion ist der mittlere absolute Fehler (MAE). MAE misst auch die Lücke zwischen Vorhersagen und tatsächlichen Werten, quadriert den Fehler jedoch nicht. Stattdessen, es nimmt einfach den absoluten Wert an.

Hier ist die Python-Funktion zum Schreiben:

def mean_absolute_error(predictions, actuals):
    absolute_errors = (abs(p - a) for p, a in zip(predictions, actuals))
    return sum(absolute_errors) / len(absolute_errors)

Es bestraft additionally große Fehler, aber nicht so hart wie MSE.

• Ein Fehler von 10 kostet 10 und ein Fehler von 20 kostet 20.
• Wenn Ihre Daten von Natur aus einige Ausreißer aufweisen und Sie nicht möchten, dass Ihr Modell überreagiert, ist MAE eine gute Wahl.

Lassen Sie mich eine kurze Grafik zeigen, die die MSE- und MAE-Kurven vergleicht.

# Kreuzentropieverlust

Bisher haben wir über die Vorhersage von Zahlen gesprochen. Bei vielen Problemen des maschinellen Lernens geht es jedoch um die Vorhersage von Kategorien.

Handelt es sich bei dieser E-Mail um Spam oder nicht?

Ist das ein Bild einer Katze, eines Hundes oder eines Fisches?

Ist eine bestimmte Transaktion betrügerisch oder nicht?

Für Klassifizierungsaufgaben geben Modelle normalerweise Wahrscheinlichkeiten aus wie:

Canine: 70%
Cat: 20%
Fish: 10%

Wenn es sich bei dem Bild tatsächlich um einen Hund handelt, ist das eine gute Vorhersage. Wenn es sich jedoch um eine Katze handelt, muss das Modell dafür bestraft werden, dass es der richtigen Antwort eine geringere Wahrscheinlichkeit zuordnet.

Die Instinct ist additionally:

• Korrekt und sicher – geringer Verlust
• Richtig, aber unsicher – mittlerer Verlust
• Falsch und zuversichtlich – hoher Verlust

Aus diesem Grund wird die Kreuzentropie so häufig zur Klassifizierung verwendet. Es kommt nicht nur darauf an, ob das Modell richtig battle. Es kommt auch darauf an, wie sicher das Modell battle.

# Verlust vs. Genauigkeit

Nachdem wir nun verschiedene Verlustfunktionen durchgegangen sind, möchte ich auch den Unterschied zwischen Verlust und Genauigkeit klären. Sie sind nicht dasselbe.

Genauigkeit sagt es dir wie viele Vorhersagen richtig waren.

Aber Verlust sagt es dir wie schlimm die Fehler des Modells waren.

Wenn Sie zwei Modelle haben – Modell A und Modell B – und beide 90 von 100 Vorhersagen richtig machen, haben sie die gleiche Genauigkeit. Aber ein Modell kann bei den richtigen Antworten sehr sicher sein und bei den falschen nur leicht falsch liegen, während das andere bei vielen Beispielen kaum richtig und bei falschen Antworten äußerst sicher sein kann.

In diesem Fall wäre die Genauigkeit gleich, aber der Verlust wäre unterschiedlich.

# Die Trainingsschleife

Sobald das Modell eine Verlustzahl hat, kann es verbessert werden. Die Trainingsschleife sieht so aus:

1. Das Modell macht Vorhersagen.
2. Die Verlustfunktion misst die Fehler.
3. Der Optimierer aktualisiert das Modell.
4. Das Modell versucht es erneut.
5. Der Verlust wird hoffentlich kleiner.

Beim Coaching eines Modells zeichnen wir auch den Verlust über die Zeit auf. Am Anfang macht das Modell viele Fehler und kann schlecht Vorhersagen treffen, sodass der Verlust hoch ist. Mit fortschreitendem Coaching nimmt der Verlust jedoch ab und das Modell kann besser Vorhersagen treffen.

Eine gesunde Trainingskurve sieht oft so aus:

Hoher Verlust am Anfang → starker Abfall → allmähliche Abflachung

wie Sie in der Abbildung unten sehen können.

Die Abflachung ist regular. Das bedeutet, dass das Modell die einfachen Muster gelernt hat und nun kleinere Verbesserungen vornimmt. Aber wenn der Trainingsverlust sinkt, während der Validierungsverlust zu steigen beginnt, kann das ein Warnsignal sein Überanpassung – was bedeutet, dass das Modell möglicherweise die Trainingsdaten speichert, anstatt verallgemeinernde Muster zu lernen.

# Letzte Gedanken

Eine Verlustfunktion ist die Fehlerbewertung des Modells.

Es teilt dem Modell mit, wie falsch seine Vorhersagen sind, und gibt dem Coaching ein klares Ziel vor: diese Zahl zu verringern.

Sobald Sie Verlustfunktionen verstanden haben, werden viele andere Ideen des maschinellen Lernens leichter zu verstehen – einschließlich Gradientenabstieg, Backpropagation, Optimierung, Überanpassung und Bewertungsmetriken.

Sie müssen nicht mit gruseligen Gleichungen beginnen. Beginnen Sie mit der Idee:

1. Das Modell vermutet.
2. Die Verlustfunktion bewertet die Schätzung.
3. Das Modell aktualisiert sich selbst, um die Punktzahl zu reduzieren.

Das ist das Herzstück des maschinellen Lernens.

Verlust ist, wie ein Modell weiß, dass es falsch ist.

Durch Coaching lernt man, weniger falsch zu liegen.

Damit sind wir am Ende dieses Artikels angelangt. Wir werden in unserer Noob-Serie weiterhin einige interessante Konzepte behandeln.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Autor

# Einführung

Warum interpretieren Menschen Ihre Daten falsch? Weil sie Datenanalphabeten sind. Das ist deine Antwort. Erledigt. Das Ende des Artikels. Wir können nach Hause gehen.

Bildquelle: Tenor

Ja, es ist wahr; Die Datenkompetenz ist in vielen Organisationen immer noch auf einem niedrigen Niveau, selbst in solchen, die „datengesteuert“ sind. Unsere Aufgabe besteht jedoch nicht darin, nach Hause zu gehen, sondern zu bleiben und zu versuchen, dies durch die Artwork und Weise, wie wir unsere Daten präsentieren, zu ändern. Wir können nur unsere eigenen Fähigkeiten zum Erzählen von Datengeschichten verbessern.

Wenn Sie verfeinern möchten, wie Sie Daten erzählerisch, mit Struktur, Anekdoten und visueller Anziehungskraft verpacken, schauen Sie sich diesen Leitfaden an Aufbau eines beeindruckenden Analystenportfolios. Es bietet praktische Tipps zum Erstellen von Datengeschichten, die bei Ihrem Publikum tatsächlich Anklang finden.

Wenn wir das alles wissen, können wir sicherstellen, dass unsere Daten so verstanden werden, wie wir es beabsichtigt haben, was in Wahrheit das Einzige ist, was in unserem Job zählt.

# Grund Nr. 1: Sie gehen davon aus, dass die Logik immer gewinnt

Das ist nicht der Fall. Menschen interpretieren Daten emotional, durch persönliche Erzählungen und haben eine selektive Aufmerksamkeit. Die Zahlen sprechen nicht für sich. Sie müssen sie ohne Unklarheiten und Interpretationsspielraum zum Sprechen bringen.

Beispiel: Ihr Diagramm zeigt, dass die Umsätze gesunken sind, aber der Vertriebsleiter weist dies zurück. Warum? Sie haben das Gefühl, dass das Vertriebsteam härter gearbeitet hat als je zuvor. Dies ist ein klassisches Beispiel für kognitive Dissonanz.

Beheben Sie das Downside: Bevor Sie das Diagramm zeigen, zeigen Sie Folgendes: „Trotz erhöhter Verkaufsaktivität gingen die Verkäufe in diesem Quartal um 14 % zurück. Dies ist wahrscheinlich auf die geringere Kundennachfrage zurückzuführen.“ Es liefert den Kontext und nennt explizit den möglichen Grund für den Umsatzrückgang. Das Vertriebsteam fühlt sich nicht angegriffen, sodass es die nüchterne Tatsache der sinkenden Umsätze akzeptieren kann.

# Grund Nr. 2: Sie verlassen sich auf das falsche Diagramm

Ein auffälliges Diagramm könnte Aufmerksamkeit erregen, aber stellt es die Daten wirklich klar und eindeutig dar? Visuelle Darstellung ist genau das: visuell. Winkel, Längen und Flächen sind wichtig. Wenn sie verzerrt sind, wird die Interpretation verzerrt sein.

Beispiel: Ein 3D-Kreisdiagramm lässt eine Budgetkategorie größer erscheinen, als sie ist, wodurch sich die wahrgenommene Priorität der Finanzierung ändert. In diesem Beispiel scheint der Umsatzanteil aus Perspektive der größte zu sein, obwohl er genau die gleiche Größe wie der HR-Anteil hat.

Beheben Sie das Downside: Bleiben Sie bei der Verwendung von Diagrammtypen, die leicht zu interpretieren sind, z. B. Balken-, Linien-, 2D-Kreisdiagramme oder Streudiagramme.

Im folgenden 2D-Kreisdiagramm ist die Größe der Budgetzuweisung viel einfacher zu interpretieren.

Verwenden Sie ausgefallene Plots nur, wenn Sie einen guten Grund dafür haben.

# Grund Nr. 3: Korrelationskausalität

Sie verstehen, dass Korrelation nicht dasselbe ist wie Kausalität. Natürlich tun Sie das; Sie analysieren Daten. Das Gleiche gilt oft nicht für Ihr Publikum, da es sich oft nicht so intestine mit Mathematik und Statistik auskennt. Ich weiß, ich weiß, Sie denken, dass der Unterschied zwischen Korrelation und Kausalität allgemein bekannt ist. Glauben Sie mir, das ist nicht der Fall: Zwei Kennzahlen gehen Hand in Hand und die meisten Leute gehen davon aus, dass das eine das andere verursacht.

Beispiel: Ein Anstieg der Social-Media-Erwähnungen der Marke (40 %) geht mit einem Umsatzanstieg (19 %) in derselben Woche einher. Das Marketingteam verdoppelt die Werbeausgaben. Der Anstieg wurde jedoch durch die unbezahlte Bewertung eines beliebten Influencers verursacht; Mehrausgaben hatten damit nichts zu tun.

Beheben Sie das Downside: Kennzeichnen Sie Beziehungen deutlich mit „korreliert“, „kausal“ oder „kein nachgewiesener Zusammenhang“.

Nutzen Sie Experimente oder zusätzliche Daten, wenn Sie einen Kausalzusammenhang nachweisen möchten.

# Grund Nr. 4: Sie präsentieren alles auf einmal

Menschen, die mit Daten arbeiten, neigen dazu, zu glauben, je mehr Daten sie in ein Dashboard oder einen Bericht stopfen, desto glaubwürdiger und professioneller sei es. Das ist es nicht. Das menschliche Gehirn verfügt nicht über eine unbegrenzte Kapazität, Informationen aufzunehmen. Wenn Sie das Dashboard mit Informationen überladen, werden die Leute es überfliegen, wichtige Daten übersehen und den Kontext falsch verstehen.

Beispiel: Sie könnten sechs KPIs gleichzeitig auf einer Folie anzeigen, z. B. Kundenwachstum, Abwanderung, Akquisekosten, Web Promoter Rating (NPS), Umsatz professional Benutzer und Marktanteil.

Der CEO konzentrierte sich auf einen kleinen Rückgang des NPS, der das Assembly zum Scheitern brachte, während er einen Rückgang der Premium-Kundenbindung um 13 % völlig übersah, ein viel größeres Downside.

Repair It: Seien Sie ein Folien-Nazi: „Eine Folie, ein Diagramm, eine zentrale Erkenntnis.“ Für das frühere Beispiel könnte die Schlussfolgerung lauten: „Die Premium-Kundenbindung ist in diesem Quartal um 13 % zurückgegangen, hauptsächlich aufgrund von Serviceausfällen.“ Dadurch bleibt die Diskussion auf das wichtigste Thema konzentriert.

# Grund Nr. 5: Sie sind auf Präzision fixiert

Sie glauben, dass es glaubwürdiger ist, detaillierte Aufschlüsselungen und Rohzahlen mit sechs Dezimalstellen anzuzeigen, als die Zahlen zu runden. Im Grunde denken Sie, dass mehr Nachkommastellen zeigen, wie komplex die Rechnung dahinter ist. Herzlichen Glückwunsch zu dieser Komplexität. Ihr Publikum orientiert sich jedoch an runden Zahlen, Traits und Vergleichen. Die sechste Dezimalstelle der Genauigkeit? Verwirrend. Ablenkend.

Beispiel: In Ihrem Bericht heißt es: „Die Fehlerrate ist von 3,267481 % auf 3,841029 % gestiegen.“ WTF!? Die Menschen werden sich verirren und die Tatsache übersehen, dass die Veränderung bedeutsam ist.

Beheben Sie das Downside: Runden Sie die Zahlen ab und rahmen Sie sie ein. In Ihrem Bericht könnte es beispielsweise heißen: „Die Fehlerrate ist von 3,3 % auf 3,8 % gestiegen – ein Anstieg um 15 %.“ Saubere und leicht verständliche Änderung.

# Grund Nr. 6: Sie verwenden eine vage Terminologie

Wenn die von Ihnen verwendete Terminologie vage ist oder die Metriknamen, Definitionen und Bezeichnungen nicht klar sind, lassen Sie die Tür für mehrere Interpretationen offen. Auch der Falsche darunter.

Beispiel: Auf Ihrer Folie wird „Retentionsrate“ angezeigt.

Die Zurückhaltung von wem oder was? Die eine Hälfte des Groups wird denken, dass es an der Kundenbindung liegt, die andere Hälfte an die Umsatzbindung.

Beheben Sie das Downside: Sagen Sie „Kundenbindung“ statt nur „Kundenbindung“. Seien Sie präzise. Verwenden Sie außerdem, wann immer möglich, prägnante und präzise Definitionen der von Ihnen verwendeten Metriken, wie zum Beispiel: „Kundenbindung = % der in diesem Monat aktiven Kunden, die auch im letzten Monat aktiv waren.“

Sie vermeiden Verwirrung und helfen auch denen, die zwar wissen, von welchen Kennzahlen Sie sprechen, sich aber nicht ganz sicher sind, was sie bedeuten oder wie sie berechnet werden.

# Grund Nr. 7: Sie verwenden die falsche Kontextebene

Bei der Darstellung von Daten kann es leicht passieren, dass der Kontext übersehen wird und die Daten zu stark vergrößert oder verkleinert dargestellt werden. Dies kann die Wahrnehmung verzerren; Unbedeutende Änderungen können bedeutsam erscheinen und umgekehrt.

Beispiel: Sie zeigen in einem monatlichen Planungsmeeting einen 10-Jahres-Umsatztrend. Nun ja, großes Lob für die Darstellung des Gesamtbildes, aber es verbirgt ein kleineres, viel wichtigeres Bild: Im letzten Quartal gab es einen Rückgang um 17 %.

Repair It: Vergrößern Sie den relevanten Zeitraum, z. B. die letzten 6 oder 12 Monate. Dann können Sie sagen: „Hier ist der Umsatz der letzten 12 Monate. Beachten Sie den Rückgang im vierten Quartal.“

# Grund Nr. 8: Sie konzentrieren sich zu sehr auf die Durchschnittswerte

Ja, die Durchschnittswerte sind großartig. Manchmal. Sie zeigen jedoch keine Verteilung an. Sie verbergen die Excessive und damit die Geschichte dahinter.

Beispiel: In Ihrem Bericht heißt es, dass der durchschnittliche Kunde 80 $ professional Monat ausgibt. Coole Geschichte, Bruder. In Wirklichkeit gaben die meisten Ihrer Kunden 30 bis 40 US-Greenback aus, was bedeutet, dass nur wenige ausgabefreudige Kunden den Durchschnitt in die Höhe treiben. Oh ja, diese Kampagne, die das Advertising and marketing auf der Grundlage Ihres Berichts erstellt hat und die auf 80-Greenback-Kunden abzielt. Tut mir leid, das wird nicht funktionieren.

Behebung: Zeigen Sie die Verteilung immer mithilfe von Histogrammen, Boxplots oder Perzentilaufschlüsselungen an. Verwenden Sie den Medianwert anstelle des Mittelwerts, z. B. „Die durchschnittlichen Ausgaben betragen 38 $, wobei 10 % der Kunden mehr als 190 $ ausgeben.“ Mit diesen Informationen kann die Marketingstrategie deutlich verbessert werden.

# Grund Nr. 9: Sie machen die visuelle Darstellung zu kompliziert

Zu viele Farben, zu viele Formen, zu viele Beschriftungen und Legendenkategorien können Ihr Diagramm in ein unlösbares Rätsel verwandeln. Die Bilder sollten optisch ansprechend und informativ sein; Die Steadiness zwischen beidem zu finden, ist quick ein Kunstwerk.

Beispiel: Ihr Liniendiagramm verfolgt 13 Produkte (das sind 13 Linien!) über 12 Monate. Jedes Diagramm hat seine eigene Farbe. Im dritten Monat kann niemand mehr einem einzigen Pattern folgen. Darüber hinaus haben Sie Datenbeschriftungen hinzugefügt, um das Diagramm leichter lesbar zu machen. Nun, Sie haben versagt! Die Datenetiketten ähnelten allmählich Jamie und Cersei Lannister – sie sind beunruhigend intim.

Beheben Sie das Downside: Vereinfachen Sie die Diagramme. Zeigen Sie die ersten drei oder fünf Kategorien an und gruppieren Sie den Relaxation als „Sonstige“. Geben Sie nur wichtige Informationen an; Nicht alle Daten, die Sie haben, verdienen es, visualisiert zu werden. Lassen Sie etwas für später übrig, wenn die Benutzer einen Drilldown durchführen möchten.

# Grund Nr. 10: Sie sagen nicht, was Sie tun sollen

Die Daten sind nicht das Ziel an sich. Es sollte zu etwas führen, und dieses Etwas ist eine Aktion. Sie sollten immer Empfehlungen für die nächsten Schritte auf Foundation Ihrer Daten geben.

Beispiel: Sie zeigen, dass die Abwanderung um 14 % gestiegen ist, und beenden die Präsentation dort. Okay, alle sind sich einig, dass der Anstieg der Abwanderung ein Downside darstellt, aber was sollte man dagegen tun?

Repair It: Sie sollten jede wichtige Erkenntnis mit einer umsetzbaren Empfehlung verknüpfen. Sagen Sie zum Beispiel: „Die Abwanderungsrate ist in diesem Quartal um 14 % gestiegen, vor allem bei Premium-Kunden. Empfehlen Sie die Einführung eines Kundenbindungsangebots für diese Gruppe innerhalb des nächsten Monats.“ Damit haben Sie das ultimative Ziel des Knowledge Storytelling erreicht – Geschäftsentscheidungen auf der Grundlage von Daten zu treffen.

# Abschluss

Als jemand, der Daten präsentiert, muss man manchmal ein Amateurpsychologe sein. Sie sollten über die Personen nachdenken, denen Sie Ihre Präsentation präsentieren: ihren Hintergrund, ihre Vorurteile, ihre Emotionen und wie sie Informationen verarbeiten.

Die zehn Punkte, über die ich gesprochen habe, zeigen Ihnen, wie das geht. Versuchen Sie, diese bei der nächsten Präsentation Ihrer Ergebnisse umzusetzen. Sie werden sehen, wie die Möglichkeit von Fehlinterpretationen abnimmt und Ihre Arbeit viel einfacher wird.

Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von High-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Traits auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Knowledge-Science-Projekte vor und behandelt alles rund um SQL.

Der humane AI -Pin, ein vor 10 Monaten gestarteter Wearables -Gerät zu einem Preis von 700 US -Greenback, wurde nach dem Verkauf seiner Software program an HP Inc. -Kunden informiert, dass quick alle Funktionen am 28. Februar 2025 eingestellt werden.

Das letzte Function von Humane Ai Pin: Eine sehr teure Brosche werden

Human angegeben Benutzer können nach diesem Datum begrenzte Offline -Funktionen verwenden, einschließlich der Möglichkeit, den Batteriestatus zu überprüfen. Funktionen, die Cloud -Konnektivität erfordern, wie z. B. Sprachinteraktionen und KI -Antworten, sind jedoch nicht verfügbar. Das Unternehmen ermutigte die Benutzer, ihre KI-Stifte durch E-Abfall-Programme zu recyceln.

Ursprünglich als KI-Assistent mit einem innovativen, schirmisch freien Design vermarktet, das Humane Ai Pin Es battle nicht möglich, seine Versprechen zu erfüllen und von Benutzern und Tech -Rezensenten erhebliche Kritik zu erhalten. Nach seiner Veröffentlichung stieß das Gerät auf mehrere Betriebsprobleme. Zum Beispiel bezeichnete Gadget Reviewer Marques Brownlee es „schlecht in quick allem, was es tut, im Grunde die ganze Zeit“ in einem viralen YouTube -Video, das ungefähr 8,5 Millionen Aufrufe angesammelt hat.

Obwohl die Finanzierung von über 240 Millionen US -Greenback gesammelt wurde, einschließlich Investitionen von bemerkenswerten Zahlen wie Sam Altman von Openai und Marc Benioff von Salesforce, bemühte sich das Startup, die Dynamik aufrechtzuerhalten. Berichten zufolge kehrten mehr Verbraucher zwischen Mai und August 2024 den KI -Pin zurück als gekauft. Nach einem starken Rückgang der Benutzerzufriedenheit nach frühen Überprüfungen riet die Gründer Berichten zufolge den Mitarbeitern, sich auf negatives Suggestions vorzubereiten.

Der Gerätestart hatte hochkarätige Auftritte, darunter Naomi Campbell, die während der Pariser Modewoche den Pin präsentiert. Eine Überprüfung im Verge schloss jedoch mit dem Gefühl „Ich nehme jetzt mein Telefon zurück, danke“ und betont die Unzulänglichkeiten des Geräts.

Die Entscheidung von Humane, den KI -Pin einzustellen, übereinstimmt mit seiner breiteren Verschiebung. In einer kürzlichen Ankündigung bestätigte das Unternehmen seine Akquisition durch HP, die ein AI -Innovationslabor mit dem Namen HP IQ einrichten wird, wobei Humane’s Private und über 300 Patente verwendet werden. Die finanziellen Bedingungen des Geschäfts beinhalten eine Zahlung von 116 Millionen US -Greenback an Humane für seine Mitarbeiter und das geistige Eigentum.

Das Unternehmen hat erklärt, dass Kunden, die nach dem 15. November einen humanen KI-Pin erhalten haben, für Rückerstattungen berechtigt sind, obwohl kein Handelsplan oder Austausch verfügbar sind. Durch die Schließung des Produkts des Produkts werden rund 10.000 verkaufte Einheiten in Richtung E-Abfallstatus auftreten, was zu der wachsenden Besorgnis über weggeworfene Technologie beiträgt.

Experten für Elektronikrecycling haben festgestellt, dass kleine Wearables wie der KI-Pin aufgrund ihrer arbeitsintensiven Recyclingprozesse und schwer zu bewegenden Komponenten, insbesondere der Batterien, die durch klebrierte Panels verdeckt sind, vorgestellt werden.

Ausgewähltes Bildnachweis: Human