In diesem Tutorial erstellen wir einen Finish-to-Finish-Workflow zur kognitiven Komplexitätsanalyse mit Komplexität. Wir beginnen mit der Messung der Komplexität direkt anhand der Rohcodezeichenfolgen und skalieren dann dieselbe Analyse auf einzelne Dateien und ein gesamtes Projektverzeichnis. Unterwegs generieren wir maschinenlesbare Berichte, normalisieren sie in strukturierte DataFrames und visualisieren Komplexitätsverteilungen, um zu verstehen, wie sich die Entscheidungstiefe über Funktionen hinweg ansammelt. Indem wir kognitive Komplexität als messbares technisches Sign behandeln, zeigen wir, wie sie auf natürliche Weise in die alltägliche Python-Entwicklung und Qualitätsprüfungen integriert werden kann. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

!pip -q set up complexipy pandas matplotlib


import os
import json
import textwrap
import subprocess
from pathlib import Path


import pandas as pd
import matplotlib.pyplot as plt


from complexipy import code_complexity, file_complexity


print(" Put in complexipy and dependencies")

Wir richten die Umgebung ein, indem wir die erforderlichen Bibliotheken installieren und alle für die Analyse und Visualisierung erforderlichen Abhängigkeiten importieren. Wir stellen sicher, dass das Pocket book vollständig eigenständig ist und ohne externe Einrichtung in Google Colab ausgeführt werden kann. Es bildet das Rückgrat der Ausführung für alles, was folgt.

snippet = """
def score_orders(orders):
   complete = 0
   for o in orders:
       if o.get("legitimate"):
           if o.get("precedence"):
               if o.get("quantity", 0) > 100:
                   complete += 3
               else:
                   complete += 2
           else:
               if o.get("quantity", 0) > 100:
                   complete += 2
               else:
                   complete += 1
       else:
           complete -= 1
   return complete
"""


res = code_complexity(snippet)
print("=== Code string complexity ===")
print("Total complexity:", res.complexity)
print("Features:")
for f in res.capabilities:
   print(f" - {f.title}: {f.complexity} (strains {f.line_start}-{f.line_end})")

Wir beginnen mit der Analyse einer rohen Python-Codezeichenfolge, um die kognitive Komplexität auf Funktionsebene zu verstehen. Wir untersuchen direkt, wie verschachtelte Bedingungen und Kontrollflüsse zur Komplexität beitragen. Es hilft uns, das Kernverhalten von complexipy zu validieren, bevor wir es auf echte Dateien skalieren.

root = Path("toy_project")
src = root / "src"
exams = root / "exams"
src.mkdir(dad and mom=True, exist_ok=True)
exams.mkdir(dad and mom=True, exist_ok=True)


(src / "__init__.py").write_text("")
(exams / "__init__.py").write_text("")


(src / "easy.py").write_text(textwrap.dedent("""
def add(a, b):
   return a + b


def safe_div(a, b):
   if b == 0:
       return None
   return a / b
""").strip() + "n")


(src / "legacy_adapter.py").write_text(textwrap.dedent("""
def legacy_adapter(x, y):
   if x and y:
       if x > 0:
           if y > 0:
               return x + y
           else:
               return x - y
       else:
           if y > 0:
               return y - x
           else:
               return -(x + y)
   return 0
""").strip() + "n")


(src / "engine.py").write_text(textwrap.dedent("""
def route_event(occasion):
   variety = occasion.get("variety")
   payload = occasion.get("payload", {})
   if variety == "A":
       if payload.get("x") and payload.get("y"):
           return _handle_a(payload)
       return None
   elif variety == "B":
       if payload.get("flags"):
           return _handle_b(payload)
       else:
           return None
   elif variety == "C":
       for merchandise in payload.get("gadgets", ()):
           if merchandise.get("enabled"):
               if merchandise.get("mode") == "quick":
                   _do_fast(merchandise)
               else:
                   _do_safe(merchandise)
       return True
   else:
       return None


def _handle_a(p):
   complete = 0
   for v in p.get("vals", ()):
       if v > 10:
           complete += 2
       else:
           complete += 1
   return complete


def _handle_b(p):
   rating = 0
   for f in p.get("flags", ()):
       if f == "x":
           rating += 1
       elif f == "y":
           rating += 2
       else:
           rating -= 1
   return rating


def _do_fast(merchandise):
   return merchandise.get("id")


def _do_safe(merchandise):
   if merchandise.get("id") is None:
       return None
   return merchandise.get("id")
""").strip() + "n")


(exams / "test_engine.py").write_text(textwrap.dedent("""
from src.engine import route_event


def test_route_event_smoke():
   assert route_event({"variety": "A", "payload": {"x": 1, "y": 2, "vals": (1, 20)}}) == 3
""").strip() + "n")


print(f" Created venture at: {root.resolve()}")

Wir erstellen programmgesteuert ein kleines, aber realistisches Python-Projekt mit mehreren Modulen und Testdateien. Wir integrieren bewusst unterschiedliche Kontrollflussmuster, um sinnvolle Unterschiede in der Komplexität zu schaffen. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

engine_path = src / "engine.py"
file_res = file_complexity(str(engine_path))


print("n=== File complexity (Python API) ===")
print("Path:", file_res.path)
print("File complexity:", file_res.complexity)
for f in file_res.capabilities:
   print(f" - {f.title}: {f.complexity} (strains {f.line_start}-{f.line_end})")


MAX_ALLOWED = 8


def run_complexipy_cli(project_dir: Path, max_allowed: int = 8):
   cmd = (
       "complexipy",
       ".",
       "--max-complexity-allowed", str(max_allowed),
       "--output-json",
       "--output-csv",
   )
   proc = subprocess.run(cmd, cwd=str(project_dir), capture_output=True, textual content=True)


   preferred_csv = project_dir / "complexipy.csv"
   preferred_json = project_dir / "complexipy.json"


   csv_candidates = ()
   json_candidates = ()


   if preferred_csv.exists():
       csv_candidates.append(preferred_csv)
   if preferred_json.exists():
       json_candidates.append(preferred_json)


   csv_candidates += listing(project_dir.glob("*.csv")) + listing(project_dir.glob("**/*.csv"))
   json_candidates += listing(project_dir.glob("*.json")) + listing(project_dir.glob("**/*.json"))


   def uniq(paths):
       seen = set()
       out = ()
       for p in paths:
           p = p.resolve()
           if p not in seen and p.is_file():
               seen.add(p)
               out.append(p)
       return out


   csv_candidates = uniq(csv_candidates)
   json_candidates = uniq(json_candidates)


   def pick_best(paths):
       if not paths:
           return None
       paths = sorted(paths, key=lambda p: p.stat().st_mtime, reverse=True)
       return paths(0)


   return proc.returncode, pick_best(csv_candidates), pick_best(json_candidates)


rc, csv_report, json_report = run_complexipy_cli(root, MAX_ALLOWED)

Wir analysieren eine echte Quelldatei mithilfe der Python-API und führen dann die komplexe CLI für das gesamte Projekt aus. Wir führen die CLI aus dem richtigen Arbeitsverzeichnis aus, um zuverlässig Berichte zu erstellen. Dieser Schritt verbindet die lokale API-Nutzung mit statischen Analyse-Workflows im Produktionsstil.

df = None


if csv_report and csv_report.exists():
   df = pd.read_csv(csv_report)
elif json_report and json_report.exists():
   knowledge = json.masses(json_report.read_text())
   if isinstance(knowledge, listing):
       df = pd.DataFrame(knowledge)
   elif isinstance(knowledge, dict):
       if "information" in knowledge and isinstance(knowledge("information"), listing):
           df = pd.DataFrame(knowledge("information"))
       elif "outcomes" in knowledge and isinstance(knowledge("outcomes"), listing):
           df = pd.DataFrame(knowledge("outcomes"))
       else:
           df = pd.json_normalize(knowledge)


if df is None:
   elevate RuntimeError("No report produced")


def explode_functions_table(df_in):
   if "capabilities" in df_in.columns:
       tmp = df_in.explode("capabilities", ignore_index=True)
       if tmp("capabilities").notna().any() and isinstance(tmp("capabilities").dropna().iloc(0), dict):
           fn = pd.json_normalize(tmp("capabilities"))
           base = tmp.drop(columns=("capabilities"))
           return pd.concat((base.reset_index(drop=True), fn.reset_index(drop=True)), axis=1)
       return tmp
   return df_in


fn_df = explode_functions_table(df)


col_map = {}
for c in fn_df.columns:
   lc = c.decrease()
   if lc in ("path", "file", "filename", "module"):
       col_map(c) = "path"
   if ("perform" in lc and "title" in lc) or lc in ("perform", "func", "function_name"):
       col_map(c) = "perform"
   if lc == "title" and "perform" not in fn_df.columns:
       col_map(c) = "perform"
   if "complexity" in lc and "allowed" not in lc and "max" not in lc:
       col_map(c) = "complexity"
   if lc in ("line_start", "linestart", "start_line", "startline"):
       col_map(c) = "line_start"
   if lc in ("line_end", "lineend", "end_line", "endline"):
       col_map(c) = "line_end"


fn_df = fn_df.rename(columns=col_map)

Wir laden die generierten Komplexitätsberichte in Pandas und normalisieren sie in eine Tabelle auf Funktionsebene. Wir verarbeiten mehrere mögliche Berichtsschemata, um den Workflow stabil zu halten. Diese strukturierte Darstellung ermöglicht es uns, mit Commonplace-Datenanalysetools über die Komplexität nachzudenken.

if "complexity" in fn_df.columns:
   fn_df("complexity") = pd.to_numeric(fn_df("complexity"), errors="coerce")
   plt.determine()
   fn_df("complexity").dropna().plot(variety="hist", bins=20)
   plt.title("Cognitive Complexity Distribution (capabilities)")
   plt.xlabel("complexity")
   plt.ylabel("depend")
   plt.present()


def refactor_hints(complexity):
   if complexity >= 20:
       return (
           "Break up into smaller pure capabilities",
           "Exchange deep nesting with guard clauses",
           "Extract complicated boolean predicates"
       )
   if complexity >= 12:
       return (
           "Extract inside logic into helpers",
           "Flatten conditionals",
           "Use dispatch tables"
       )
   if complexity >= 8:
       return (
           "Cut back nesting",
           "Early returns"
       )
   return ("Acceptable complexity")


if "complexity" in fn_df.columns and "perform" in fn_df.columns:
   for _, r in fn_df.sort_values("complexity", ascending=False).head(8).iterrows():
       cx = float(r("complexity")) if pd.notna(r("complexity")) else None
       if cx is None:
           proceed
       print(r("perform"), cx, refactor_hints(cx))


print(" Tutorial full.")

Wir visualisieren die Verteilung der kognitiven Komplexität und leiten Refactoring-Anleitungen aus numerischen Schwellenwerten ab. Wir übersetzen abstrakte Komplexitätswerte in konkrete technische Maßnahmen. Es schließt den Kreis, indem es die Messung direkt mit Entscheidungen zur Wartbarkeit verknüpft.

Abschließend stellten wir eine praktische, reproduzierbare Pipeline zur Prüfung der kognitiven Komplexität in Python-Projekten mithilfe von complexipy vor. Wir haben gezeigt, wie wir von der Advert-hoc-Inspektion zu datengesteuerten Überlegungen zur Codestruktur übergehen, risikoreiche Funktionen identifizieren und umsetzbare Refactoring-Anleitungen auf der Grundlage quantifizierter Schwellenwerte bereitstellen können. Der Workflow ermöglicht es uns, frühzeitig über die Wartbarkeit nachzudenken, Komplexitätsbudgets konsequent durchzusetzen und Codebasen mit Klarheit und Zuversicht zu entwickeln, anstatt uns ausschließlich auf die Instinct zu verlassen.

Schauen Sie sich das an VOLLSTÄNDIGE CODES hier. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Die Entfaltung Wandteppiche: Verständnis der Komplexität der Globalisierung

Bei Analytixon-Com erkennen wir an, wie wichtig es ist, die Globalisierung zu verstehen, ein Begriff, der im 21. Jahrhundert allgegenwärtig geworden ist, doch seine facettenreiche Natur bleibt oft verdeckt. Die Globalisierung bedeutet im Kern die zunehmende Vernetzung und Interdependenz von Nationen durch ein komplexes Netz des wirtschaftlichen, sozialen, kulturellen, politischen und technologischen Austauschs. Es ist eine tiefgreifende Verschiebung von einer Welt relativ isolierter Einheiten zu einer, in der Ereignisse in einer Ecke des Globus auf Kontinenten Welleneffekte haben können. Dieser Artikel soll sich mit den Nuancen der Globalisierung befassen und seine Treiber, Auswirkungen, Herausforderungen und potenziellen zukünftigen Trajektorien untersuchen.

Definieren der Landschaft: Dimensionen der Globalisierung

Die Globalisierung ist kein monolithisches Phänomen; Vielmehr manifestiert es sich in verschiedenen miteinander verbundenen Dimensionen:

• Wirtschaftliche Globalisierung: Dies ist vielleicht die prominenteste Dimension, die durch die Integration der Volkswirtschaften in die internationale Wirtschaft durch Handel, ausländische Direktinvestitionen, Kapitalflüsse, Migration und die Verbreitung von Technologie gekennzeichnet ist. Der Aufstieg multinationaler Unternehmen (MNCs), globale Lieferketten und internationale Finanzinstitute (IFIs) wie die Weltbank und der Internationale Währungsfonds (IWF) sind für diesen Prozess von zentraler Bedeutung.

• Soziale Globalisierung: Bezieht sich auf den Austausch von Ideen, Informationen, Werten und Lebensstilen über nationale Grenzen hinweg. Es wird durch Web, soziale Medien, internationale Reisen und Migration erleichtert. Diese Dimension fördert ein Gefühl der globalen Gemeinschaft, kann aber auch zur kulturellen Homogenisierung und zur Erosion lokaler Traditionen führen.

• Kulturelle Globalisierung: Eng mit der sozialen Globalisierung verbunden, beinhaltet dies die Verbreitung kultureller Elemente wie Musik, Filme, Mode und Essen. Während es den kulturellen Austausch und das kulturelle Verständnis fördern kann, wirft es auch Bedenken hinsichtlich des kulturellen Imperialismus auf, in dem dominante Kulturen Minderheitenkulturen überschatten und marginalisieren.

• Politische Globalisierung: Dies umfasst die wachsende Bedeutung internationaler Organisationen, Verträge und Vereinbarungen bei der Regierung globale Angelegenheiten. Es umfasst den Aufstieg des Völkerrechts, den zunehmenden Einfluss von NGOs und die Entstehung globaler Governance -Strukturen, um Probleme wie Klimawandel, Menschenrechte und Sicherheit anzugehen.

• Technologische Globalisierung: Dient als Motor, der viele andere Abmessungen fährt. Fortschritte in Kommunikationstechnologien, Transport- und Informationsverarbeitung haben die Kosten und die Zeit, die mit grenzüberschreitenden Interaktionen verbunden sind, dramatisch gesenkt. Insbesondere das Web hat die Artwork und Weise revolutioniert, wie Menschen kommunizieren, auf Informationen zugreifen und Geschäfte führen.

Die Katalysatoren des Wandels: Treiber der Globalisierung

In den letzten Jahrzehnten haben verschiedene Faktoren die Beschleunigung der Globalisierung angeheizt:

• Technologische Fortschritte: Wie bereits erwähnt, waren Innovationen in Kommunikation, Transport und Informationstechnologie zentral. Web, Mobiltelefone, Containerisierung und Flugreisen haben alle dazu beigetragen, die Welt zu verkleinern und globale Interaktionen zu ermöglichen.

• Liberalisierung von Handel und Investitionen: Die Reduzierung von Handelsbarrieren wie Zöllen und Quoten sowie die Liberalisierung der Investitionspolitik haben grenzüberschreitende Handels- und Investitionsflüsse gefördert. Die Gründung der World Commerce Group (WTO) hat eine Schlüsselrolle bei der Regulierung des internationalen Handels und der Lösung von Handelsstreitigkeiten gespielt.

• Politische und wirtschaftliche Reformen: Der Zusammenbruch des Kommunismus in Osteuropa und die Einführung marktorientierter Reformen in vielen Entwicklungsländern haben neue Märkte und Möglichkeiten für den globalen Handel und die globalen Investitionen eröffnet.

• Entstehung multinationaler Unternehmen: MNCs waren maßgeblich zur Förderung der wirtschaftlichen Globalisierung durch die Einrichtung globaler Versorgungsketten, in Investitionen in das Ausland und die Übertragung von Technologie und Know-how übergeordnet.

• Erhöhte Mobilität der Menschen: Migration, Tourismus und internationale Bildung haben den Austausch von Ideen, Kulturen und Fähigkeiten erleichtert und zur sozialen und kulturellen Globalisierung beitragen.

Ein zweischneidiges Schwert: Auswirkungen der Globalisierung

Die Globalisierung hatte tiefgreifende und facettenreiche Auswirkungen auf die Welt, sowohl positiv als auch negativ:

Optimistic Auswirkungen:

• Wirtschaftswachstum: Die Globalisierung hat zu einem Anstieg der Handels-, Investitions- und Technologietransferen ermöglicht, was in vielen Ländern zu Wirtschaftswachstum und -entwicklung führt. Für einige hat es neue Arbeitsplätze, gesteigerte Produktivität und einen verbesserten Lebensstandard geschaffen.

• Armutsbekämpfung: Obwohl die Vorteile der Globalisierung nicht gleichmäßig verteilt wurden, hat sie jedoch zur Reduzierung der Armut in mehreren Ländern, insbesondere in Asien, beigetragen. Erhöhter Handel und Investitionen haben Möglichkeiten für Beschäftigung und Einkommensgenerierung geschaffen und Millionen aus Armut herausgehoben.

• Erhöhter Zugang zu Waren und Dienstleistungen: Die Globalisierung hat die Verfügbarkeit von Waren und Dienstleistungen für Verbraucher auf der ganzen Welt erweitert. Die Verbraucher haben Zugang zu einer breiteren Vielfalt von Produkten zu niedrigeren Preisen und verbessern ihre Einkaufskraft und ihren Lebensstandard.

• Kultureller Austausch und Verständnis: Die Globalisierung hat den kulturellen Austausch und das kulturelle Verständnis gefördert, indem sie Menschen unterschiedlichen Kulturen, Ideen und Perspektiven ausgesetzt haben. Dies kann zu größerer Toleranz, Empathie und Wertschätzung für Vielfalt führen.

• Technologische Innovation: Die Globalisierung hat technologische Innovationen angeregt, indem er den Austausch von Wissen und Technologie über Grenzen hinweg erleichtert wird. Der Wettbewerb zwischen Unternehmen hat Innovationen und die Entwicklung neuer Produkte und Dienstleistungen vorangetrieben.

Detrimental Auswirkungen:

• Einkommensungleichheit: Eine der bedeutendsten Kritikpunkte an der Globalisierung ist, dass es sowohl innerhalb als auch zwischen den Ländern die Einkommensungleichheit verschärft hat. Während einige stark von der Globalisierung profitiert haben, wurden andere zurückgelassen, was zu sozialen Unruhen und politischen Instabilität führte.

• Jobverschiebung: Die Globalisierung hat in einigen Branchen zu einer Verschiebung von Arbeitsplätzen geführt, da Unternehmen die Produktion in Länder mit niedrigeren Arbeitskosten verlagern. Dies kann zu Arbeitslosigkeit, Lohnstagnation und wirtschaftlichen Schwierigkeiten für Arbeitnehmer in Industrieländern führen.

• Umweltverschlechterung: Die Globalisierung hat durch erhöhten Verbrauch, Verschmutzung und Entwaldung zu Umweltverschlechterungen beigetragen. Die Ausweitung des globalen Handels und der Investition hat zur Ausbeutung natürlicher Ressourcen und zur Verschlechterung von Ökosystemen geführt.

• Kulturelle Homogenisierung: Die Globalisierung kann zu kultureller Homogenisierung führen, bei der dominante Kulturen Minderheitenkulturen überschatten und marginalisieren. Dies kann zum Verlust der kulturellen Vielfalt und zur Erosion lokaler Traditionen führen.

• Verlust der nationalen Souveränität: Die Globalisierung kann die nationale Souveränität untergraben, wenn die Länder miteinander verbunden und voneinander abhängig werden. Internationale Organisationen und Vereinbarungen können die Fähigkeit der Regierungen einschränken, unabhängige Entscheidungen zu treffen.

Navigieren in der Zukunft: Herausforderungen und Chancen

Die Globalisierung ist ein fortlaufender Prozess, der sowohl Herausforderungen als auch Chancen darstellt. Um seine Vorteile zu nutzen und gleichzeitig die Risiken zu mildern, müssen politische Entscheidungsträger, Unternehmen und Einzelpersonen mehrere wichtige Probleme angehen:

• Förderung integrativer Wachstum: Es sind Richtlinien erforderlich, um sicherzustellen, dass die Vorteile der Globalisierung gerechter geteilt werden. Dies beinhaltet die Investition in Bildung, Fähigkeiten und soziale Sicherheitsnetze, um Arbeitnehmern zu helfen, sich an die sich verändernden Arbeitsmärkte anzupassen.

• Klimawandel adressieren: Die internationale Zusammenarbeit ist wichtig, um den Klimawandel anzugehen. Dies ist ein globales Downside, das kollektive Maßnahmen erfordert. Dies beinhaltet die Reduzierung der Treibhausgasemissionen, die Investition in erneuerbare Energien und die Förderung einer nachhaltigen Entwicklung.

• Stärkung der globalen Governance: Globale Governance -Strukturen müssen gestärkt werden, um Probleme wie Handelsungleichgewichte, finanzielle Instabilität und Sicherheitsbedrohungen anzugehen. Dies beinhaltet die Reform internationaler Organisationen wie der WTO, dem IWF und der UN.

• Schutz der kulturellen Vielfalt: Richtlinien sind erforderlich, um die kulturelle Vielfalt zu schützen und den kulturellen Austausch und das kulturelle Verständnis zu fördern. Dies schließt die Unterstützung lokaler Kulturen, die Förderung der Mehrsprachigkeit und die Förderung des interkulturellen Dialogs ein.

• Verbesserung der Cybersicherheit: Mit der zunehmenden Abhängigkeit von digitalen Technologien ist die Cybersicherheit ein entscheidendes Downside. Die internationale Zusammenarbeit ist erforderlich, um die Cyberkriminalität zu bekämpfen, die kritische Infrastruktur zu schützen und die Sicherheit von Daten und Informationen zu gewährleisten.

Schlussfolgerung: Eine Welt im Fluss

Die Globalisierung ist ein komplexer und dynamischer Prozess, der die Welt auf tiefgreifende Weise verändert hat. Obwohl es viele Vorteile gebracht hat, hat es auch neue Herausforderungen geschaffen. Durch das Verständnis der Treiber, Auswirkungen und potenziellen zukünftigen Globalisierungsverläufe können wir zusammenarbeiten, um eine integrativere, nachhaltigere und erfolgreichere Welt für alle zu schaffen. Der Schlüssel liegt darin, die Chancen zu nutzen und gleichzeitig die Risiken zu mildern und sicherzustellen, dass die Vorteile der Globalisierung gerechter geteilt werden und dass die Ressourcen des Planeten für zukünftige Generationen nachhaltig verwaltet werden.

In der Autor Highlight -Serie chatten die TDS -Redakteure mit Mitgliedern unserer Group über ihren Karriereweg in Knowledge Science und KI, ihr Schreiben und ihre Inspirationsquellen. Heute sind wir begeistert, unser Gespräch mit zu teilen Claudia Ng.

Claudia ist ein AI -Unternehmer und Datenwissenschaftler mit mehr als 6 Jahren Erfahrung im Aufbau von maschinellen Lernmodellen in Fintech. Sie belegte den zweiten Platz und gewann im Jahr 2024 einen ML -Wettbewerb von 10.000 US -Greenback.

Sie haben kürzlich 10.000 US -Greenback bei einem maschinellen Lernwettbewerb gewonnen – Glückwunsch! Was struggle die größte Lektion, die Sie aus dieser Erfahrung genommen haben, und wie hat sie Ihre Herangehensweise an ML-Probleme in der realen Welt geprägt?

Meine größte Lektion bestand darin, dass Area -Experience mehr wichtig ist als die algorithmische Komplexität. Es struggle ein ML -Wettbewerb von Web3 Credit score Scoring, und obwohl ich noch nie mit Blockchain -Daten oder neuronalen Netzwerken für die Kreditbewertung gearbeitet hatte, gaben mir meine mehr als 6 Jahre in Fintech die Geschäftsintuition, dies als Commonplace -Kreditrisikoproblem zu behandeln. Diese Perspektive erwies sich als wertvoller als ein beliebiger Abschluss oder eine tiefe Lernspezialisierung.

Diese Erfahrung verlagerte grundlegend, wie ich ML -Probleme auf zwei Arten nähere:

Zuerst habe ich gelernt, dass Versand besser als perfekt ist. Ich verbrachte nur 10 Stunden mit dem Wettbewerb und reichte eher einen „MVP“ -Ansatz ein, anstatt ihn zu überbinden. Dies gilt direkt für die Industriearbeit: Ein anständiges Modell, das in der Produktion ausgeführt wird, bietet mehr Wert als ein hoch optimiertes Modell, das in einem Jupyter -Notizbuch sitzt.

Zweitens stellte ich fest, dass die meisten Hindernisse psychological und nicht technisch sind. Ich habe quick nicht teilgenommen, weil ich Web3 nicht kannte oder mich wie eine „Wettbewerbsperson“ fühlte, aber im Nachhinein überlegte ich es. Während ich immer noch daran arbeite, diese Lektion allgemeiner anzuwenden, hat sie meine Möglichkeiten verändert. Ich konzentriere mich nun darauf, ob ich das Kernproblem verstehe und ob es mich begeistert, und vertraue darauf, dass ich es im Laufe des Gehens herausfinden kann.

Ihr Karriereweg umfasst Unternehmen, öffentliche Ordnung, maschinelles Lernen und jetzt AI -Berater. Was motivierte Ihre Verschiebung von Unternehmenstechnologie zum AI Freelance WorldUnd was erregt Sie am meisten über dieses neue Kapitel? Mit welchen Herausforderungen oder Kunden freuen Sie sich am meisten?

Die Verschiebung zu unabhängigen Arbeiten wurde durch das Aufbau von etwas angetrieben, das ich wirklich besitzen und wachsen konnte. In Unternehmensrollen erstellen Sie wertvolle Systeme, die Ihre Amtszeit überleben, aber Sie können sie nicht mitnehmen oder einen weiteren Kredit für ihren Erfolg erhalten. Wenn ich diesen Wettbewerb gewann, hatte ich die Fähigkeiten, meine eigenen Lösungen zu schaffen, anstatt nur zur Imaginative and prescient eines anderen beizutragen. Ich habe wertvolle Fähigkeiten in Unternehmensrollen erlernt, aber ich freue mich, sie auf Herausforderungen anzuwenden, die mir sehr wichtig sind.

Ich verfolge dies über zwei Hauptpfade: Beratungsprojekte, die meine Experience für Datenwissenschaft und maschinelles Lernen nutzen und ein Produkt -Lernprodukt von KI aufbauen. Die Beratungsarbeit bietet sofortige Einnahmen und hält mich mit echten Geschäftsproblemen in Verbindung, während das Sprachprodukt meine langfristige Imaginative and prescient darstellt. Ich lerne, öffentlich aufzubauen und meine Reise durch meine zu teilen Publication.

Als Polyglot, der neun Sprachen spricht, habe ich tief über die Herausforderungen nachgedacht, die Gesprächsfluenz zu erreichen, und nicht nur das Wissen des Lehrbuchs beim Erlernen einer Fremdsprache. Ich entwickle einen KI-Sprachlernpartner, der Menschen hilft, reale Szenarien und kulturelle Kontexte zu üben.

Was mich am meisten begeistert, ist die technische Herausforderung, KI -Lösungen aufzubauen, die den kulturellen Kontext und die Konversationsnuance berücksichtigen. Auf der Beratungsseite bin ich energetisiert, indem ich mit Unternehmen zusammenarbeite, die echte Probleme lösen möchten, anstatt nur KI umzusetzen, um KI zu haben. Egal, ob es sich um Risikomodelle oder das Abrufen von Informationen handelt, ich liebe Projekte, bei denen sich Area -Experten und praktische KI überschneiden.

Viele Unternehmen sind bestrebt, etwas mit KI zu tun, wissen aber nicht immer, wo sie anfangen sollen. Was ist Ihr typischer Prozess, um einem neuen Kunden zu helfen und seine erste AI -Initiative zu priorisieren?

Ich verfolge einen Downside mit dem ersten Ansatz, anstatt mit KI-Lösungen zu führen. Zu viele Unternehmen wollen „etwas mit KI tun“, ohne festzustellen, welches spezifische Geschäftsproblem sie lösen möchten, was normalerweise zu beeindruckenden Demos führt, die die Nadel nicht bewegen.

Mein typischer Prozess folgt drei Schritten:

Erstens konzentriere ich mich auf die Problemdiagnose. Wir identifizieren spezifische Schmerzpunkte mit messbaren Auswirkungen. Zum Beispiel habe ich kürzlich mit einem Kunden im Restaurantbereich zusammengearbeitet, um das Umsatzwachstum zu verlangsamen. Anstatt zu einer „KI-betriebenen Lösung“ zu springen, haben wir die Datenüberprüfungsdaten untersucht, um Muster zu identifizieren. Beispielsweise, welche Menüelemente Beschwerden vorgenommen haben, welche Serviceelemente positives Suggestions generierten und welche operativen Probleme am häufigsten erschienen. Diese datengesteuerte Diagnose führte eher zu spezifischen Empfehlungen als zu generischen KI-Implementierungen.

Zweitens definieren wir den Erfolg im Voraus. Ich bestehe auf quantifizierbaren Metriken wie Zeiteinsparungen, Qualitätsverbesserungen oder Umsatzsteigerungen. Wenn wir es nicht messen können, können wir nicht beweisen, dass es funktioniert hat. Dies verhindert das Kriechen des Umfangs und stellt sicher, dass wir echte Probleme lösen und nicht nur coole Technologien aufbauen.

Drittens durchlaufen wir lebensfähige Lösungen und richten uns auf das Beste aus. Manchmal ist das ein Visualisierungs -Dashboard, manchmal ist es ein Lappensystem, manchmal fügt es Vorhersagefunktionen hinzu. KI ist nicht immer die Antwort, aber wenn es so ist, wissen wir genau, warum wir es verwenden und wie der Erfolg aussieht.

Dieser Ansatz hat optimistic Ergebnisse erzielt. Kunden sehen in der Regel eine verbesserte Entscheidungsgeschwindigkeit und klarere Datenerkenntnisse. Während ich meine unabhängige Praxis aufbaue, struggle es wichtig, mich auf echte Probleme und nicht auf AI -Schlagworte zu konzentrieren, um die Kundenzufriedenheit und die Wiederholung von Engagements zu wiederholen.

Sie haben aufstrebende Datenwissenschaftler betreut – was ist eine gemeinsame Gefahr, die Sie unter Menschen sehen, die versuchen, in das Feld einzudringen, und wie raten Sie ihnen, dies zu vermeiden?

Die größte Gefahr, die ich sehe, ist es, alles zu lernen, anstatt sich auf eine Rolle zu konzentrieren. Viele Menschen, einschließlich mir früh, haben das Gefühl, jeden KI -Kurs belegen und jedes Konzept beherrschen, bevor sie „qualifiziert“ sind.

Die Realität ist, dass Knowledge Science sehr unterschiedliche Rollen umfasst: von Produktdatenwissenschaftlern, die A/B -Checks durch ML -Ingenieure durchführen, die Modelle in der Produktion einsetzen. Sie müssen kein Experte bei allem sein.

Mein Rat: Wählen Sie zuerst Ihre Spur aus. Finden Sie heraus, welche Rolle Sie am meisten erregt, und konzentrieren Sie sich dann darauf, diese Kernfähigkeiten zu schärfen. Ich habe persönlich vom Analyst zum ML -Ingenieur übergegangen, indem ich maschinelles Lernen intensiv studierte und echte Projekte übernommen habe (Sie können meine Übergangsgeschichte lesen Hier). Ich nutzte mein Area -Experience im Kredit- und Betrugsrisiko und beantragte dies auf Berechnungen für technische und geschäftliche Auswirkungen.

Der Schlüssel liegt darin, diese Fähigkeiten auf echte Probleme anzuwenden und nicht in der Tutorial -Hölle festzuhalten. Ich sehe dieses Muster ständig durch meinen Publication und Mentoring. Menschen, die durchbrechen, sind diejenigen, die anfangen zu bauen, auch wenn sie sich nicht bereit fühlen.

Die Landschaft der KI -Rollen entwickelt sich weiter. Wie sollten Neuankömmlinge entscheiden, wo sie sich konzentrieren sollen – ML Engineering, Knowledge Analytics, LLMs oder etwas ganz anderes?

Beginnen Sie mit Ihren aktuellen Fähigkeiten und dem, was Sie interessiert, nicht das, was am prestigeträchtigsten klingt. Ich habe über verschiedene Rollen gearbeitet (Analyst, Datenwissenschaftler, ML -Ingenieur) und haben jeweils wertvolle, übertragbare Fähigkeiten mitgebracht.

So würde ich mich der Entscheidung nähern:

Wenn Sie aus einem geschäftlichen Hintergrund kommen: Produktdatenwissenschaftlerrollen sind häufig der einfachste Einstiegspunkt. Konzentrieren Sie sich auf SQL-, A/B -Take a look at- und Datenvisualisierungsfähigkeiten. Diese Rollen schätzen die Geschäftsintuition häufig über tiefe technische Fähigkeiten.

Wenn Sie Programmiererfahrung haben: Betrachten Sie ML Engineering oder AI Engineering. Die Nachfrage ist hoch und Sie können auf vorhandenen Fähigkeiten zur Softwareentwicklung aufbauen.

Wenn Sie von der Infrastruktur angezogen werden: Mlops Engineering ist sehr gefragt, insbesondere da mehr Unternehmen ML- und KI -Modelle im Maßstab einsetzen.

Die Landschaft entwickelt sich weiterentwickelt, aber wie oben erwähnt, ist Area -Experience häufig wichtiger als dem neuesten Pattern. Ich habe diesen ML -Wettbewerb gewonnen, weil ich das Credit score -Risiko -Grundlagen verstanden habe, nicht weil ich die schicksten Algorithmen kannte.

Konzentrieren Sie sich auf die Lösung realer Probleme in Domänen, die Sie verstehen, und lassen Sie die technischen Fähigkeiten folgen. Um mehr über verschiedene Rollen zu erfahren, habe ich über die 5 Arten von Knowledge Science -Karrierewege geschrieben Hier.

Was ist ein KI- oder Knowledge -Science -Thema, über das mehr Menschen schreiben sollten, oder über einen Pattern, den Sie gerade genau beobachten?

Ich bin von der Geschwindigkeit und Qualität der TTS-Technologie (Textual content-to-Speech) überwältigt, um echte Konversationsmuster und -ton nachzuahmen. Ich denke, mehr Menschen sollten über die TTS -Technologie für gefährdete Sprachbewahrung schreiben.

Als Polyglot, der sich für interkulturelles Verständnis begeistern, bin ich fasziniert davon, wie KI dazu beitragen kann, dass Sprachen vollständig verschwinden. Die meisten TTS -Entwicklung konzentriert sich auf wichtige Sprachen mit massiven Datensätzen, es gibt jedoch weltweit über 7.000 Sprachen, und viele sind aus dem Aussterben bedroht.

Was mich erregt, ist das Potenzial für KI, die Sprachsynthese für Sprachen zu erstellen, bei denen nur noch wenige hundert Sprecher übrig sind. Dies ist Technologie, die die Menschheit und die kulturelle Erhaltung von seiner besten Seite dienen! Wenn eine Sprache stirbt, verlieren wir einzigartige Denkweise über die Welt, spezifische Wissenssysteme und das kulturelle Gedächtnis, die nicht übersetzt werden können.

Der Pattern, den ich genau beobachte, ist, wie Transferlernen und Sprachklonen dies technisch machbar machen. Wir erreichen einen Punkt, an dem Sie möglicherweise nur Stunden anstelle von Tausenden von Stunden Audio -Daten benötigen, um hochwertige TTs für neue Sprachen zu erstellen, insbesondere mit vorhandenen mehrsprachigen Modellen. Während diese Technologie gültige Bedenken hinsichtlich des Missbrauchs hervorruft, zeigen Anwendungen wie Spracherhaltung, wie wir diese Funktionen verantwortungsbewusst für kulturelles Intestine nutzen können.

Während ich mein Sprachlernprodukt weiterentwickle und meine Beratungspraxis aufbaue, werde ich ständig daran erinnert, dass die interessantesten KI -Anwendungen häufig aus der Kombination von technischen Funktionen mit tiefem Domänenverständnis herrühren. Egal, ob es sich um maschinelle Lernmodelle oder kulturelle Kommunikationsinstrumente handelt, die Magie findet an der Kreuzung statt.

Mehr darüber erfahren Claudias Arbeit und bleiben Sie mit ihren neuesten Artikeln auf dem Laufenden, Sie können ihr folgen TdsAnwesend Substanzoder LinkedIn.

Von Jeff Foster, Redgate Software program

KI -Fortschritte ändern grundlegend die Verwendung und Verwaltung von Unternehmen, wodurch es wichtig ist, diese Transformation zu akzeptieren und zu verstehen. Für Organisationen, die KI im Maßstab übernehmen möchten, ist der Zustand ihrer Datenbanken ein kritischer Erfolgsfaktor.

Schlechte Datenqualität, schwache Regierungsführung oder fragmentierte Aufsicht können selbst die ehrgeizigsten KI -Initiativen entgleisen. In diesem Zusammenhang wird die Rolle des Datenbankadministrators (DBA) strategischer und zentraler für die KI -Bereitschaft von Unternehmen.

Moderne DBAs sind nicht mehr nur Wächter der Leistung und Verfügbarkeit. Sie sind Verwalter von Datenethik, Sicherheit und Konformität. Da diese Daten in KI -Systemen verwendet werden, wird die Verwendung komplexer und mehr Risiken, wie fehlkonfigurierte Berechtigungen oder algorithmische Verzerrungen, wachsen. Die guten Nachrichten? Durch die direkte Anpassung der Datenbankkomplexität können DBA-Groups eine Grundlage für Vertrauen und Zuverlässigkeit schaffen, die KI nicht nur möglich, sondern auch produktiv ermöglicht.

Hier sind vier Schlüsselstrategien zur Verwaltung Ihrer Datenbankumgebung und zur Vorbereitung Ihres Unternehmens auf eine erfolgreiche KI -Einführung.

1. Erstellen Sie die Datenverwaltung um die KI -Bereitschaft

Eine starke Governance ist in einer datengesteuerten Organisation nicht verhandelbar und besonders wichtig, wenn die KI in das Bild eintritt. KI ist nur so intestine wie die Daten, die sie trieben. Das bedeutet klar definiertes Eigentum, strenge Zugriffsprotokolle, Datenqualitätsmaßnahmen und ein robustes Lebenszyklusmanagement sind grundlegend für den Erfolg.

Unternehmen sollten in Datenkataloge und Linienwerkzeuge investieren, um Daten zu entsprechen, wie es sich transformiert und wie es letztendlich verwendet wird. Dies ist entscheidend, um die Eingabe und Ausgabe von KI -Modellen zu verstehen und diese Entscheidungen unter regulatorischer Prüfung zu verteidigen. Und wenn es um Compliance geht, übersehen Sie keine Datenmaskierung, insbesondere bei Verwendung von Produktionsdaten in Entwicklungs- oder Schulungsumgebungen. Es ist nicht mehr Greatest Observe; Es ist ein Compliance -Imperativ.

2. Behandeln Sie die Prüfung und Überwachung als kontinuierliche Prozesse

Einmalige Audits haben es nicht mehr gesunken, insbesondere wenn Echtzeitentscheidungen von KI-Systemen getroffen werden, die sich auf sich ständig ändernde Daten verlassen. Durch kontinuierliche Prüfung, die von Datenbeobachtbarkeitstools mit Datenbeobachtbarkeit betrieben wird, wird sichergestellt, dass Ihre Daten vertrauenswürdig bleiben, Ihre Modelle clear bleiben und Ihre Prozesse konform bleiben.

Im Kontext von KI ist es wichtig, sowohl zu verfolgen, wie Daten durch Systeme fließen als auch wie sie verwendet werden. Instruments sollten AI -Modelleingaben und -ausgänge protokollieren, Anomalien hervorheben und alle Indikatoren für Verzerrungen oder Inkonsistenzen aufnehmen. Dies schützt nicht nur vor Compliance -Risiken, sondern verbessert auch die Modellgenauigkeit und -leistung im Laufe der Zeit.

3.. Richten Sie Zugriffskontrollen auf Sicherheits- und Compliance -Ziele aus

Sicherheit ist ein grundlegendes Anliegen für jedes IT -Group, aber es nimmt eine erhöhte Dringlichkeit an, wenn KI -Systeme beteiligt sind. Da Datenbanken für eine breitere Mischung von Stakeholdern, darunter Datenwissenschaftler, Entwickler und Plattformen von Drittanbietern, zugänglicher werden, steigt das Risiko eines nicht autorisierten Zugriffs erheblich an

Eine starke Zugangsstrategie beginnt mit Multi-Faktor-Authentifizierung und rollenbasierten Zugriffskontrollen. Es muss jedoch weiter gehen und regelmäßig Berechtigungsbewertungen und robuste Zugriffsprotokollierung einbeziehen. Sichtbarkeit in wer zugegriffen, auf welche Daten, wann und zu welchem ​​Zweck entscheidend ist – nicht nur für die Sicherheit, sondern auch für die Prüfung und Governance. Außerdem können Unternehmen den Datenbankzugriff mit breiteren Unternehmens -Workflows verknüpfen und sowohl Transparenz als auch Rechenschaftspflicht verbessern.

4. Machen Sie die Überwachung und Dokumentation zu einem Teil Ihres KI -Workflows

Leistung und Sicherheitsüberwachung können nicht mehr isoliert behandelt werden. Zur Unterstützung von Enterprise AI muss die Überwachung integriert und kontinuierlich sein, wodurch nicht nur Betriebszeit oder Abfragegeschwindigkeit, sondern die Integrität und Bewegung der Daten selbst erfasst werden.

Die Investition in die 24/7 -Datenbanküberwachung stellt sicher, dass ein potenzielles Downside, sei es ein Anstieg der Zugriffsmuster, eine Schemaänderung oder eine Sicherheitsanomalie, frühzeitig gefangen und schnell gelöst wird. Die Automatisierung spielt hier eine wichtige Rolle und hilft Groups dabei, ihre Aufsicht zu skalieren, ohne den Overhead zu erhöhen.

In ähnlicher Weise sollte die Dokumentation kein statischer nachträglicher Gedanke mehr sein. Es muss dynamisch, aktuell und ultimate automatisiert sein. Eine umfassende Dokumentation von Datenquellen, Transformationen und KI -Modellabhängigkeiten stellt sicher, dass Groups über die Informationen verfügen, die sie benötigen, um schnell und verantwortungsbewusst zu reagieren, sei es für interne Zusammenarbeit oder eine externe Prüfung.

Letzter Gedanke: Datenbankkomplexität ist die versteckte Barriere für den KI -Erfolg

Ein erfolgreicher KI -Begin von Enterprise beginnt nicht mit dem Modell – es beginnt mit den Daten. Durch die Bekämpfung der Datenbankkomplexität, die Verbesserung der Sichtbarkeit und die Ausrichtung der Sicherheits- und Compliance -Bemühungen können IT -Groups eine Stiftung aufbauen, die KI unterstützt – sie untergräbt sie nicht.

In dieser neuen Ära spielen DBAs und IT -Führungskräfte eine entscheidende Rolle bei der Umsetzung von Innovationen in den Einfluss. Mit den richtigen Strategien und Instruments können sie sicherstellen, dass ihre Organisationen nicht nur KI-fähig sind-aber KI-resilient.

Jeff Foster ist Direktor für Technologie und Innovation bei Redgate -Software programCambridge, Großbritannien, mit deren Lösung komplexer Datenbankmanagementprobleme im gesamten Lebenszyklus von DevOps.

Erhitzte Diskussionen über künstliche Intelligenz lautet: Welche Aspekte des menschlichen Lernens können sie erfassen?

Viele Autoren schlagen vor, dass künstliche Intelligenzmodelle nicht die gleichen Fähigkeiten wie Menschen besitzen, insbesondere wenn es um Plastizität, Flexibilität und Anpassung geht.

Einer der Aspekte, die Modelle nicht erfassen, sind mehrere kausale Beziehungen über die äußere Welt.

In diesem Artikel werden diese Themen erörtert:

• Die Parallelität zwischen Faltungsnetzwerken (CNNs) und dem menschlichen visuellen Kortex
• Einschränkungen von CNNs beim Verständnis von kausalen Beziehungen und zum Lernen abstrakter Konzepte
• Wie man CNNs lernt, lernt einfache kausale Beziehungen

Ist es dasselbe? Ist es anders?

Faltungsnetzwerke (CNNs) (2) sind mehrschichtige neuronale Netzwerke, die Bilder als Eingabe aufnehmen und für mehrere Aufgaben verwendet werden können. Einer der faszinierendsten Aspekte von CNNs ist ihre Inspiration von der menschlicher visueller Kortex (1):

• Hierarchische Verarbeitung. Das visuelle Kortex verarbeitet Bilder hierarchisch, in denen frühe visuelle Bereiche einfache Merkmale (wie Kanten, Linien und Farben) und tiefere Bereiche erfassen, erfassen komplexere Merkmale wie Formen, Objekte und Szenen. CNN erfasst aufgrund seiner geschichteten Struktur Kanten und Texturen in den frühen Schichten, während Schichten weiter unten Teile oder ganze Objekte erfassen.
• Empfängliche Felder. Neuronen im visuellen Kortex reagieren auf Stimuli in einer spezifischen lokalen Area des Gesichtsfeldes (üblicherweise als Empfangsfelder bezeichnet). Wenn wir tiefer gehen, weiteten sich die Empfangsfelder der Neuronen, sodass räumliche Informationen integriert werden können. Dank der Pooling -Schritte geschieht das gleiche in CNNs.
• Characteristic -Sharing. Obwohl biologische Neuronen nicht identisch sind, werden ähnliche Merkmale in verschiedenen Teilen des Gesichtsfeldes erkannt. In CNNs die verschiedenen Filter Scannen Sie das gesamte Bild, sodass Muster unabhängig vom Ort erkannt werden können.
• Räumliche Invarianz. Menschen können Objekte auch dann erkennen, wenn sie bewegt, skaliert oder gedreht werden. CNNs besitzen auch dieses Eigentum.

Diese Funktionen haben CNNs in visuellen Aufgaben bis zur übermenschlichen Leistung intestine abschneiden:

Russakovsky et al. (22) berichteten kürzlich, dass die menschliche Leistung einen High-5-Fehler von 5,1% im ImageNet-Datensatz ergibt. Diese Zahl wird von einem menschlichen Annotator erreicht, der in den Validierungsbildern intestine ausgebildet ist, um sich der Existenz relevanter Klassen besser zu bewusst. (…) Unser Ergebnis (4,94%) übertrifft die gemeldete Leistung auf menschlicher Ebene. – 3) (3)

Obwohl CNNs bei mehreren Aufgaben besser abschneiden als Menschen, gibt es immer noch Fälle, in denen sie spektakulär scheitern. In einer Studie von 2024 (4) konnten AI -Modelle beispielsweise die Bildklassifizierung nicht verallgemeinern. Hochmoderne Modelle funktionieren besser als Menschen für Objekte auf aufrechten Posen, fehlen jedoch, wenn Objekte auf ungewöhnlichen Posen liegen.

Zusammenfassend zeigen unsere Ergebnisse, dass (1) Menschen immer noch viel robuster sind als die meisten Netzwerke, um Objekte in ungewöhnlichen Posen zu erkennen, (2) Zeit von entscheidender Bedeutung, damit eine solche Fähigkeit zu entstehen, und (3) sogar zeitlich begrenzte Menschen sind tiefe neuronale Netzwerke unähnlich. – SOURCE (4)

In der Studie (4) stellen sie fest, dass Menschen Zeit brauchen, um in einer Aufgabe erfolgreich zu sein. Einige Aufgaben erfordern nicht nur visuelle Erkennung, sondern auch Abtraktive Wahrnehmungwas Zeit erfordert.

Die Verallgemeinerungsfähigkeiten, die Menschen in der Lage machen, sind aus dem Verständnis der Gesetze zu verstehen, die die Beziehungen zwischen Objekten regeln. Der Mensch erkennen Objekte an, indem sie Regeln extrapolieren und diese Regeln verkettet werden, um sich an neue Situationen anzupassen. Eine der einfachsten Regeln ist die „gleiche differenzente Beziehung“: die Fähigkeit zu definieren, ob zwei Objekte gleich oder unterschiedlich sind. Diese Fähigkeit entwickelt sich im Säuglingsalter schnell und ist auch wichtig mit der Sprachentwicklung verbunden (5-7). Darüber hinaus haben einige Tiere wie Enten und Schimpansen es ebenfalls (8). Im Gegensatz dazu ist es sehr schwierig, gleiche unterschiedliche Beziehungen zu lernen neuronale Netze (9-10).

Faltungsnetzwerke zeigen Schwierigkeiten beim Erlernen dieser Beziehung. Ebenso lernen sie keine anderen Arten von kausalen Beziehungen, die für den Menschen einfach sind. Daher haben viele Forscher das zu dem Schluss gekommen CNNs Fehlen der induktiven Verzerrung, die notwendig ist, um diese Beziehungen lernen zu können.

Diese negativen Ergebnisse bedeuten nicht, dass neuronale Netze völlig nicht in der Lage sind, gleiche unterschiedliche Beziehungen zu lernen. Viel größere und länger ausgebildete Modelle können diese Beziehung lernen. Zum Beispiel, Imaginative and prescient-Transformator Modelle vorgebreitet Bildnische mit kontrastives Lernen kann diese Fähigkeit zeigen (12).

Können CNNs gleich unterschiedliche Beziehungen lernen?

Die Tatsache, dass breite Modelle diese Artwork von Beziehungen lernen können, hat das Interesse an CNNs wieder aufgenommen. Die gleiche differente Beziehung wird unter den grundlegenden logischen Operationen betrachtet, aus denen die Grundlagen ausmachen Kognition höherer Ordnung Und Argumentation. Das zeigen, dass flache CNNs dieses Konzept lernen können, würde es uns ermöglichen, mit anderen Beziehungen zu experimentieren. Darüber hinaus ermöglicht es Modelle, immer komplexer zu lernen kausale Beziehungen. Dies ist ein wichtiger Schritt, um die Verallgemeinerungsfähigkeiten von KI voranzutreiben.

Frühere Arbeiten deuten darauf hin, dass CNNs nicht über das Architektur verfügen induktive Vorurteile abstrakte visuelle Beziehungen lernen zu können. Andere Autoren gehen davon aus, dass das Downside im Trainingsparadigma liegt. Im Allgemeinen die Klassiker Gradientenabstieg wird verwendet, um eine einzelne Aufgabe oder eine Reihe von Aufgaben zu lernen. Bei einer Aufgabe t oder einer Reihe von Aufgaben t wird eine Verlustfunktion L verwendet, um die Gewichte φ zu optimieren, die die Funktion L minimieren sollten:

Dies kann einfach als die Summe der Verluste über verschiedene Aufgaben hinweg angesehen werden (wenn wir mehr als eine Aufgabe haben). Stattdessen die Modell-agnostisches Meta-Studying (MAML) Der Algorithmus (13) ist so konzipiert, dass er nach einem optimalen Punkt im Gewichtsraum nach einer Reihe verwandter Aufgaben sucht. MAML versucht, einen anfänglichen Satz von Gewichten θ zu finden, das die minimiert Verlustfunktion Auf Aufgaben über die schnelle Anpassung ermöglichen:

Der Unterschied magazine klein erscheinen, aber konzeptionell ist dieser Ansatz auf Abstraktion gerichtet und Verallgemeinerung. Wenn es mehrere Aufgaben gibt, versucht herkömmliche Schulungen, Gewichte für verschiedene Aufgaben zu optimieren. MAML versucht, eine Reihe von Gewichten zu identifizieren, die für verschiedene Aufgaben optimum sind, gleichzeitig jedoch gleichzeitig im Gewichtsraum. Dieser Startpunkt θ ermöglicht es dem Modell, über verschiedene Aufgaben hinweg effektiver zu verallgemeinern.

Da wir jetzt eine Methode haben, die auf Verallgemeinerungen und Abstraktion verzerrt ist, können wir testen, ob wir CNNs dazu bringen können, die gleiche differente Beziehung zu lernen.

In dieser Studie (11) verglichen sie flache CNNs, die mit klassischem Gradientenabstieg ausgebildet waren und Meta-Studying auf einem Datensatz für diesen Bericht. Der Datensatz besteht aus 10 verschiedenen Aufgaben, die auf die gleiche unterschiedliche Beziehung testen.

Die Autoren (11) vergleichen CNNs von 2, 4 oder 6 Schichten, die auf traditionelle Weise oder mit Meta-Studying ausgebildet sind, und zeigen einige interessante Ergebnisse:

1. Die Leistung traditioneller CNNs zeigt ein ähnliches Verhalten wie zufällig.
2. Das Meta-Studying verbessert die Leistung erheblich, was darauf hindeutet, dass das Modell die gleichdifferenzierende Beziehung lernen kann. Ein 2-layerer CNN erzielt wenig besser als Zufall, aber durch die Erhöhung der Tiefe des Netzwerks verbessert sich die Leistung auf nahezu perfekte Genauigkeit.

Eines der faszinierendsten Ergebnisse von (11) ist, dass das Modell auf Go away-One-Out-Weise trainiert werden kann (9 Aufgaben verwenden und eine auslassen) und die Verallgemeinerungsfunktionen außerhalb der Verteilung anzeigen. Daher hat das Modell das Abstraktenverhalten gelernt, das in einem so kleinen Modell kaum zu sehen ist (6 Schichten).

Schlussfolgerungen

Obwohl Faltungsnetze inspiriert waren, wie das menschliche Gehirn visuelle Reize verarbeitet, erfassen sie einige seiner grundlegenden Fähigkeiten nicht. Dies gilt insbesondere für kausale Beziehungen oder abstrakte Konzepte. Einige dieser Beziehungen können aus großen Modellen nur mit umfangreichem Coaching gelernt werden. Dies hat zu der Annahme geführt, dass kleine CNNs diese Beziehungen aufgrund mangelnder Architektur induktiver Tendenz nicht lernen können. In den letzten Jahren wurden Anstrengungen unternommen, um neue Architekturen zu schaffen, die einen Vorteil beim Lernen von relationalem Denken haben könnten. Die meisten dieser Architekturen lernen jedoch solche Beziehungen nicht. Interessanterweise kann dies durch die Verwendung von Meta-Studying überwunden werden.

Der Vorteil des Meta-Studying besteht darin, das abstraktere Lernen zu treiben. Meta-Studying-Druck auf die Verallgemeinerung und versucht, gleichzeitig für alle Aufgaben zu optimieren. Zu diesem Zweck wird das Erlernen von abstrakteren Merkmalen bevorzugt (Merkmale auf niedriger Ebene wie die Winkel einer bestimmten Type sind nicht nützlich für die Verallgemeinerung und sind ungünstig). Das Meta-Studying ermöglicht es einem flachen CNN, abstraktes Verhalten zu lernen, das sonst noch viel mehr Parameter und Schulungen erfordern würde.

Die flachen CNNs und die gleiche differente Beziehung sind ein Modell für höhere kognitive Funktionen. Meta-Studying und verschiedene Formen des Trainings könnten nützlich sein, um die Argumentationsmöglichkeiten der Modelle zu verbessern.

Eine andere Sache!

Sie können nach meinen anderen Artikeln suchen Mediumund Sie können mich auch anschließen oder mich erreichen LinkedIn oder in Bluesky. Überprüfen Dieses Repositorywas enthält wöchentlich aktualisierte ML & AI Information, oder Hier für andere Tutorials und Hier Für AI -Bewertungen. Ich bin offen für Zusammenarbeit und Projekte, Und Sie können mich auf LinkedIn erreichen.

Referenz

Hier ist die Liste der Hauptreferenzen, die ich beraten habe, um diesen Artikel zu schreiben. Nur der Vorname für einen Artikel wird zitiert.

1. Lindsay, 2020, Faltungsnetzwerke als Modell des visuellen Methods: Vergangenheit, Gegenwart und Zukunft, Hyperlink
2. Li, 2020, Eine Übersicht über die neuronalen Netzwerke von Faltungen: Analyse, Anwendungen und Aussichten, Hyperlink
3. Er, 2015, tief in Gleichrichter eintaucht: Übertretung von Leistung auf menschlicher Ebene bei der ImageNet-Klassifizierung, Hyperlink
4. Ollikka, 2024, ein Vergleich zwischen Menschen und KI, um Objekte in ungewöhnlichen Posen zu erkennen, Hyperlink
5. Premark, 1981, Die Codes of Man and Beasts, Hyperlink
6. Blote, 1999, Organisationsstrategien für kleine Kinder zu der gleichen unterschiedlichen Aufgabe: eine mikrogenetische Studie und eine Trainingsstudie, Hyperlink
7. Lupker, 2015, gibt es phonologisch basiertes Priming in der gleichen differenzierenden Aufgabe? Beweise von japanisch-englischen Zweisprachigen, Hyperlink
8. Gentner, 2021, Lernen Dasselbe Und anders Beziehungen: Vergleiche mit Kreuzspezies, Hyperlink
9. Kim, 2018, nicht so-clevr: Lernen gleicherdifferentes Beziehungsstämme Feedforward Neural Networks, Hyperlink
10. Puebla, 2021, können tiefe Faltungsnetzwerke in der gleichen Differenz von relationaler Begründung in der gleichen Aufgabe unterstützen? Hyperlink
11. Gupta, 2025, Faltungsnetzwerke können (meta-) die gleiche differenzierte Beziehung lernen, Hyperlink
12. Tartaglini, 2023, Deep Neural Networks können verallgemeinerbare gleichen visuellen Beziehungen lernen, Hyperlink
13. Finn, 2017, Modell-agnostisches Meta-Studying für die schnelle Anpassung von tiefen Netzwerken, Hyperlink