In der Reihe „Creator Highlight“ unterhalten sich TDS-Redakteure mit Mitgliedern unserer Group über ihren Karriereweg in den Bereichen Datenwissenschaft und KI, ihr Schreiben und ihre Inspirationsquellen. Heute freuen wir uns, unser Gespräch mit Ihnen zu teilen Marco Hening Tallarico.

Marco ist Doktorand an der College of Toronto und Forscher bei Risklab, mit großem Interesse an angewandter Statistik und maschinellem Lernen. Marco wurde in Brasilien geboren und ist in Kanada aufgewachsen. Er schätzt die universelle Sprache der Mathematik.

Was motiviert Sie, umfangreiche akademische Konzepte (wie stochastische Differentialgleichungen) in zugängliche Tutorials für die breitere TDS-Group umzuwandeln?

Es ist ganz natürlich, alles in seiner natürlichen Reihenfolge lernen zu wollen. Algebra, Infinitesimalrechnung, Statistik usw. Wer aber schnell Fortschritte machen will, muss diese Neigung aufgeben. Wenn man versucht, ein Labyrinth zu lösen, ist es Betrug, sich einen Platz in der Mitte auszusuchen, aber beim Lernen gibt es keine Regel. Beginnen Sie am Ende und arbeiten Sie sich nach Belieben zurück. Es macht es weniger langweilig.

Dein Information Science-Herausforderung Der Artikel konzentrierte sich auf das Erkennen von Datenlecks im Code und nicht nur auf die Theorie. Welches stille Leck ist Ihrer Erfahrung nach das häufigste und gelangt auch heute noch in Produktionssysteme?

Bei der Datenanalyse oder bei der Verwendung von Aggregaten als Eingaben für das Modell kann es sehr leicht zu Datenlecks kommen. Vor allem jetzt, wo Mixture relativ einfach in Echtzeit berechnet werden können. Vor der grafischen Darstellung, bevor überhaupt ausgeführt wird .head() Funktion, ich denke, es ist wichtig, den Zugtest aufzuteilen. Überlegen Sie, wie die Aufteilung erfolgen soll, von Benutzerebene, Größe und Chronologie bis hin zu einer geschichteten Aufteilung: Es gibt viele Möglichkeiten, die Sie treffen können, und es lohnt sich, sich die Zeit zu nehmen.

Wenn Sie Metriken wie durchschnittliche Benutzer professional Monat verwenden, müssen Sie außerdem noch einmal überprüfen, dass die Gesamtheit nicht während des Monats berechnet wurde, den Sie als Testsatz verwenden. Diese sind schwieriger, da sie indirekt sind. Es ist nicht immer so offensichtlich, dass man keine Black-Field-Daten verwendet, wenn man vorhersagen will, welche Flugzeuge abstürzen werden. Wenn Sie die Black Field haben, ist das keine Vorhersage; Das Flugzeug ist abgestürzt.

Das erwähnen Sie Das Erlernen der Grammatik allein aus Daten ist rechenintensiv. Glauben Sie, dass hybride Modelle (statistisch + formal) langfristig die einzige Möglichkeit sind, eine nachhaltige KI-Skalierung zu erreichen?

Wenn wir zum Beispiel LLMs nehmen, gibt es viele einfache Aufgaben, mit denen sie Schwierigkeiten haben, etwa das Hinzufügen einer Liste mit Zahlen oder das Umwandeln einer Textseite in Großbuchstaben. Es ist nicht unangemessen zu glauben, dass eine bloße Vergrößerung des Modells diese Probleme lösen würde, aber das ist keine gute Lösung. Es ist viel zuverlässiger, wenn es a aufruft .sum() oder .higher() Funktion in Ihrem Namen und nutzen Sie die sprachliche Argumentation, um Eingaben auszuwählen. Dies ist wahrscheinlich das, was die großen KI-Modelle mit cleverem Immediate Engineering bereits tun.

Es ist viel einfacher, mithilfe formaler Grammatik unerwünschte Artefakte wie das Gedankenstrich-Downside zu entfernen, als ein weiteres Drittel der Internetdaten zu extrahieren und weiteres Coaching durchzuführen.

Sie kontrastieren Vorwärts- und Umkehrprobleme in der PDE-Theorie. Können Sie ein reales Szenario außerhalb der Temperaturmodellierung vorstellen, bei dem ein inverser Problemansatz die Lösung sein könnte?

Das Vorwärtsproblem ist tendenziell das, womit sich die meisten Menschen wohl fühlen. Wenn wir uns das Black-Scholes-Modell ansehen, wäre das Zukunftsproblem: Wie hoch ist angesichts einiger Marktannahmen der Optionspreis? Aber es gibt noch eine andere Frage, die wir stellen können: Welche Parameter hat das Modell angesichts einer Reihe beobachteter Optionspreise? Dies ist das umgekehrte Downside: Es ist eine Folgerung, es ist eine implizite Volatilität.

Wir können auch in Begriffen der Navier-Stokes-Gleichung denken, die die Strömungsdynamik modelliert. Das Vorwärtsproblem: Berechnen Sie bei gegebener Flügelform, Anfangsgeschwindigkeit und Luftviskosität das Geschwindigkeits- oder Druckfeld. Wir könnten uns aber auch fragen, welche Type unser Flugzeugflügel hat, wenn ein Geschwindigkeits- und Druckfeld gegeben ist. Dies ist tendenziell viel schwieriger zu lösen. Angesichts der Ursachen ist es viel einfacher, die Auswirkungen zu berechnen. Wenn einem aber eine Reihe von Wirkungen vorliegen, ist es nicht unbedingt einfach, die Ursache zu berechnen. Dies liegt daran, dass mehrere Ursachen dieselbe Beobachtung erklären können.

Dies ist auch einer der Gründe, warum PINNs in letzter Zeit auf dem Vormarsch sind. Sie zeigen, wie neuronale Netze effizient aus Daten lernen können. Dies eröffnet einen ganzen Werkzeugkasten, wie Adam, SGD und Backpropagation, aber im Hinblick auf die Lösung von PDEs ist es genial.

Welchen Rat würden Sie als Masterstudent, der auch ein produktiver technischer Redakteur ist, anderen Studenten geben, die beginnen möchten, ihre Forschungsergebnisse auf Plattformen wie In direction of Information Science zu teilen?

Ich denke, dass es beim technischen Schreiben zwei konkurrierende Entscheidungen gibt, die man aktiv treffen muss; Sie können es sich als Destillation oder Verdünnung vorstellen. Forschungsartikel ähneln einem Wodka-Shot; In der Einleitung werden umfangreiche Studiengebiete in wenigen Sätzen zusammengefasst. Während der bittere Geschmack von Wodka durch Verdunstung entsteht, ist beim Schreiben die Hauptursache die Fachsprache. Mit diesem verbalen Komprimierungsalgorithmus können wir abstrakte Ideen wie den Fluch der Dimensionalität oder Datenlecks in nur wenigen Worten diskutieren. Es ist ein Werkzeug, das Ihnen auch zum Verhängnis werden kann.

Das Unique-Deep-Studying-Papier umfasst 7 Seiten. Es gibt auch Deep-Studying-Lehrbücher mit 800 Seiten (im Vergleich dazu eine Piña Colada). Beide sind aus demselben Grund großartig: Sie bieten dem entsprechenden Publikum den richtigen Detaillierungsgrad. Um den richtigen Detaillierungsgrad zu verstehen, müssen Sie das Style einlesen, das Sie veröffentlichen möchten.

Natürlich kommt es darauf an, wie man Spirituosen verdünnt; Niemand will ein Teil warmes Wasser und ein Teil Titos Monstrosität. Einige Rezepte, die den Textual content greifbarer machen, umfassen die Verwendung einprägsamer Analogien (dadurch bleibt der Inhalt hängen, wie eine Piña Colada auf einer Tischplatte), die Konzentration auf einige zentrale Konzepte und die Ausarbeitung anhand von Beispielen.

Aber auch beim technischen Schreiben findet eine Destillation statt, und das läuft darauf hinaus, „unnötige Worte wegzulassen“, ein altes Sprichwort von Strunk & White, das immer wahr bleibt und Sie daran erinnert, etwas über das Handwerk des Schreibens zu lesen. Roy Peter Clark ist einer meiner Favoriten.

Du schreibst auch Forschungsartikel. Wie passen Sie Ihre Inhalte anders an, wenn Sie für ein allgemeines Datenwissenschaftspublikum schreiben als für ein forschungsorientiertes Publikum?

Ich würde auf jeden Fall Metaphern im Zusammenhang mit Alkohol vermeiden. Eigentlich jede Bildsprache. Bleiben Sie beim Beton. In Forschungsartikeln müssen Sie vor allem kommunizieren, welche Fortschritte erzielt wurden. Wo das Feld früher battle und wo es jetzt ist. Es geht nicht ums Lehren; Sie gehen davon aus, dass das Publikum es weiß. Es geht darum, eine Idee zu verkaufen, sich für eine Methode einzusetzen und eine Hypothese zu unterstützen. Sie müssen zeigen, wie es zu einer Lücke kam, und erklären, wie Ihre Arbeit diese Lücke gefüllt hat. Wenn Sie diese beiden Dinge können, haben Sie eine gute Forschungsarbeit.

Um mehr über Marcos Arbeit zu erfahren und über seine neuesten Artikel auf dem Laufenden zu bleiben, können Sie seine besuchen Webseite und folge ihm weiter TDS, oder LinkedIn.

Der Weltraum ist der nächste Ort, den es zu entdecken gilt, aber kaum jemals der nächste Ort, an dem man mit Menschen in Kontakt treten kann. Auch wenn Raketen weiter fliegen als je zuvor, ist die Lücke beim Zugang zu Technologie hier auf der Erde immer noch sehr groß. Tatsächlich gibt die Internationale Fernmeldeunion an, dass immer noch über zwei Milliarden Menschen keinen Internetzugang haben. Die meisten von ihnen leben in ländlichen Gebieten oder in Regionen mit niedrigem Einkommen, in denen die Erbringung von Dienstleistungen entweder über eine sich verschlechternde oder gar keine Infrastruktur erfolgt. In vielen Fällen ist dies einfach eine unbequeme Lebensweise. Für Menschen, die digitale Hilfstechnologien nutzen – nonverbale Personen, gehörlose Benutzer, Patienten, die sich von einer neurologischen Verletzung erholen – ist dies jedoch eine lebensbedrohliche State of affairs. Viele der Kommunikationsmittel, die vom Netzwerk abhängig sind, werden für die Benutzer tatsächlich zu einer Artwork Schweigen. In dem Second, in dem die Internetverbindung unterbrochen wird, wird ein Gerät, das jemandem eine Stimme geben sollte, ausgeschaltet.

Die Herausforderung ist auch eng mit moderner Datenwissenschaft und maschinellem Lernen verbunden. Nahezu alle hier besprochenen unterstützenden Technologien – Gebärdenspracherkennung, gestenbasierte Kommunikation, AAC-Systeme – basieren auf ML-Inferenz in Echtzeit. Heutzutage laufen viele dieser Modelle in der Cloud und benötigen daher eine stabile Verbindung, was sie für Menschen ohne zuverlässige Netzwerke unzugänglich macht. LEO-Satelliten und Edge-KI verändern diese Landschaft: Sie bringen ML-Workloads direkt auf Benutzergeräte, was neue Methoden der Modellkomprimierung, Latenzoptimierung, multimodalen Inferenz und datenschutzschonender Berechnungen erfordert. Vereinfacht gesagt ist der Zugang zu Technologie nicht nur ein soziales Downside, sondern stellt auch eine neue Herausforderung für den ML-Einsatz dar, an deren Lösung die Knowledge-Science-Group aktiv arbeitet.

Das wirft die Hauptfrage auf: Wie können wir Benutzern, die sich nicht auf lokale Netzwerke verlassen können, Stay-Zugriff bieten? Und wie können wir solche Systeme so gestalten, dass sie auch in Gegenden funktionieren, in denen möglicherweise nie eine Hochgeschwindigkeits-Internetverbindung verfügbar ist?

Satellitenkonstellationen in niedriger Erdumlaufbahn, gepaart mit Edge-KI auf persönlichen Geräten, bieten eine überzeugende Antwort.

Dem Konnektivitätsproblem können Hilfstools nicht entkommen

Die meisten unterstützenden Kommunikationstools basieren auf der Annahme, dass der Cloud-Zugriff jederzeit verfügbar ist. Normalerweise sendet ein Gebärdensprachübersetzer Videobilder an ein Cloud-Modell, bevor er den Textual content erhält. Ein Sprachgenerierungsgerät ist möglicherweise sehr nahe daran, sich nur auf On-line-Inferenz zu verlassen. Ebenso sind Gesichtsgesten-Interpreter und AAC-Software program auf Distant-Server angewiesen, um Berechnungen auszulagern. Diese Annahme trifft jedoch in ländlichen Dörfern, Küstengebieten, Orten mit gebirgigem Gelände und sogar in Entwicklungsländern nicht zu. Außerdem müssen bestimmte ländliche Haushalte in technologisch fortgeschrittenen Ländern mit Ausfällen, geringer Bandbreite und instabilen Signalen leben, die eine kontinuierliche Kommunikation unmöglich machen. Dieser Unterschied in der Infrastruktur macht das Downside zu mehr als nur einer technischen Einschränkung. Wenn beispielsweise eine Particular person digitale Werkzeuge nutzt, um Grundbedürfnisse oder Emotionen auszudrücken, und den Zugang dazu verliert, ist das dasselbe, als würde sie ihre Stimme verlieren.

Das Downside des Zugangs ist nicht das einzige. Erschwinglichkeit und Benutzerfreundlichkeit stellen ebenfalls Hindernisse für die Einführung dar. Datentarife sind in vielen Ländern recht teuer, während Cloud-basierte Apps hinsichtlich der Bandbreite anspruchsvoll sein können, die für viele Menschen auf der Welt kaum zugänglich ist. Die Gewährung des Zugangs für behinderte und nicht vernetzte Menschen ist nicht nur eine Frage der Ausweitung der Abdeckung, sondern erfordert auch eine neue Designphilosophie: Hilfstechnologie muss auch dann störungsfrei funktionieren, wenn keine Netzwerke vorhanden sind.

Warum LEO-Satelliten die Gleichung ändern

Herkömmliche geostationäre Satelliten befinden sich quick 36.000 Kilometer über der Erde, und diese große Entfernung führt zu einer spürbaren Verzögerung, die dazu führt, dass sich die Kommunikation langsamer und weniger interaktiv anfühlt. Satelliten mit niedriger Erdumlaufbahn (LEO) operieren viel näher, normalerweise zwischen 300 und 1.200 Kilometern. Der Unterschied ist erheblich. Die Latenz sinkt von mehreren hundert Millisekunden auf Werte, die eine nahezu sofortige Übersetzung und Dialoge in Echtzeit ermöglichen. Und weil diese Satelliten den gesamten Planeten umkreisen, können sie Regionen erreichen, in denen Glasfaser- oder Mobilfunknetze möglicherweise nie aufgebaut werden.

Mit dieser Technologie wird der Himmel effektiv zu einem globalen Kommunikationsnetz. Sogar ein kleines Dorf oder ein einzelnes abgelegenes Zuhause kann über ein kompaktes Terminal eine Verbindung zu einem Satelliten herstellen und auf Internetgeschwindigkeiten zugreifen, die denen in Großstädten ähneln. Da die LEO-Konstellationen wachsen und sich bereits Tausende von Satelliten im Orbit befinden, verbessern sich Redundanz und Zuverlässigkeit jedes Jahr weiter. Anstatt Kabel über Berge oder Wüsten zu verlegen, kommt die Konnektivität jetzt von oben.

Konnektivität allein reicht jedoch nicht aus. Es ist immer noch kostspielig und unnötig, hochauflösende Movies für Aufgaben wie das Gebärdensprachdolmetschen zu streamen. In vielen Situationen besteht das Ziel nicht darin, Rohdaten zu senden, sondern sie zu verstehen und zu interpretieren. Hier wird Edge-KI von entscheidender Bedeutung und beginnt, das Mögliche zu erweitern.

Das Argument für On-System Intelligence

Wenn Modelle für maschinelles Lernen direkt auf einem Mobiltelefon, einem Pill oder einem kleinen eingebetteten Chip ausgeführt werden können, können Benutzer jederzeit und überall auf unterstützende Systeme zurückgreifen, auch ohne eine starke Internetverbindung. Das Gerät interpretiert Gesten aus dem aufgenommenen Video und sendet nur kleine Textpakete. Es synthetisiert auch Sprache lokal, ohne Audio hochzuladen. Dieser Ansatz ermöglicht eine deutlich effizientere Nutzung der Satellitenbandbreite und das System funktioniert auch dann weiter, wenn die Verbindung vorübergehend unterbrochen wird.

Diese Technik verbessert auch die Privatsphäre des Benutzers, da wise Bild- und Audiodaten das Gerät niemals verlassen. Es erhöht auch die Zuverlässigkeit, da Benutzer nicht auf einen kontinuierlichen Backhaul angewiesen sind. Es reduziert auch die Kosten, da kleine Textnachrichten weitaus weniger Daten verbrauchen als Videostreams. Die Kombination aus umfassender LEO-Abdeckung und Inferenz auf dem Gerät schafft eine Kommunikationsschicht, die sowohl international als auch belastbar ist.

Aktuelle Studien zu leichtgewichtigen Modellen zur Gebärdenspracherkennung zeigen, dass die Ausführung der Übersetzung direkt auf einem Gerät bereits praktikabel ist. In vielen Fällen erfassen diese Netzwerke im mobilen Maßstab Gestensequenzen schnell genug für die Echtzeitnutzung, auch ohne Cloud-Verarbeitung. Bei der Arbeit im Bereich Gesichtsgestenerkennung und AAC-Technologien zeigt sich ein ähnlicher Development, bei dem sich Lösungen, die einst stark von der Cloud-Infrastruktur abhingen, allmählich auf Edge-basierte Setups verlagern.

Um zu veranschaulichen, wie klein diese Modelle sein können, ist hier ein minimales PyTorch-Beispiel eines kompakten Gestenerkennungsnetzwerks, das für den Edge-Einsatz geeignet ist:

import torch
import torch.nn as nn

class GestureNet(nn.Module):
    def __init__(self):
        tremendous().__init__()
        self.options = nn.Sequential(
            nn.Conv2d(1, 16, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(16, 32, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.classifier = nn.Sequential(
            nn.Linear(32 * 56 * 56, 128),
            nn.ReLU(),
            nn.Linear(128, 40)
        )

    def ahead(self, x):
        x = self.options(x)
        x = x.view(x.measurement(0), -1)
        return self.classifier(x)

mannequin = GestureNet()

Selbst in ihrer vereinfachten Type vermittelt diese Artwork von Architektur immer noch ein ziemlich genaues Bild davon, wie reale Modelle auf dem Gerät funktionieren. Sie basieren normalerweise auf kleinen Faltungsblöcken, einer reduzierten Eingabeauflösung und einem kompakten Klassifikator, der die Erkennung auf Token-Ebene bewältigen kann. Mit den in moderne Geräte integrierten NPUs können diese Modelle in Echtzeit laufen, ohne etwas an die Cloud zu senden.

Um sie auf Edge-Geräten praktisch zu machen, die nicht über viel Speicher oder Rechenleistung verfügen, ist noch ein gutes Maß an Optimierung erforderlich. Ein großer Teil der Größe und des Speicherverbrauchs kann durch Quantisierung, die Werte mit voller Präzision durch 8-Bit-Versionen ersetzt, und durch strukturiertes Bereinigen reduziert werden. Diese Schritte ermöglichen unterstützender KI, die reibungslos auf Excessive-Finish-Telefonen läuft, auch auf älteren oder kostengünstigeren Geräten zu funktionieren, wodurch Benutzer eine längere Akkulaufzeit erhalten und die Zugänglichkeit in Entwicklungsregionen verbessert wird.

Eine neue Architektur für menschliche Verbindung

Durch die Kombination von LEO-Konstellationen mit Edge-KI wird unterstützende Technologie an Orten verfügbar, an denen sie zuvor unerreichbar warfare. Ein gehörloser Schüler in einer abgelegenen Gegend kann ein Signal-to-Textual content-Device verwenden, das auch dann weiter funktioniert, wenn die Internetverbindung unterbrochen wird. Jemand, der sich auf die Interpretation von Gesichtsgesten verlässt, kann kommunizieren, ohne sich Gedanken darüber machen zu müssen, ob eine starke Bandbreite verfügbar ist. Ein Affected person, der sich von einer neurologischen Verletzung erholt, kann zu Hause interagieren, ohne dass spezielle Geräte erforderlich sind.

Bei diesem Setup sind Benutzer nicht gezwungen, sich an die Einschränkungen der Technologie anzupassen. Stattdessen passt die Technologie ihre Bedürfnisse an, indem sie eine Kommunikationsschicht bereitstellt, die in nahezu jeder Umgebung funktioniert. Weltraumgestützte Konnektivität wird zu einem wichtigen Bestandteil der digitalen Inklusion und bietet Echtzeit-Zugänglichkeit an Orten, die ältere Netzwerke noch nicht erreichen können.

Abschluss

Der Zugang zu den Technologien der Zukunft hängt von Geräten ab, die auch dann noch funktionieren, wenn die Bedingungen alles andere als very best sind. LEO-Satelliten sorgen für zuverlässiges Web in einigen der entlegensten Teile der Welt, und Edge-KI sorgt dafür, dass fortschrittliche Barrierefreiheitstools auch dann funktionieren, wenn das Netzwerk schwach oder instabil ist. Zusammen bilden sie ein System, in dem Inklusion nicht an den Ort gebunden ist, sondern zu etwas wird, das jeder erwarten kann.

Die nächste Technology barrierefreier Geräte beginnt diesen Wandel von etwas, das einst als erstrebenswert galt, zu etwas, auf das sich die Menschen tatsächlich verlassen können.

Referenzen

1. Internationale Fernmeldeunion, Messung der digitalen Entwicklung (2024).
2. World Federation of the Deaf, World Deaf Inhabitants Statistics (2023).
3. FCC und Nationwide Rural Broadband Knowledge Report (2023).
4. SpaceX-Bereitstellungsstatistik, Starlink-Konstellationsübersicht (2024).
5. NASA, ISS Edge Processing Initiative (2025).(6) LVM-basierte leichte Zeichenerkennungsmodelle, ACM Accessible Computing (2024).

Gesponserte Inhalte

Empfehlungssysteme stützen sich auf Daten, aber für Forscher ist der Zugriff auf wirklich repräsentative Daten seit langem eine Herausforderung. Die meisten akademischen Datensätze verblassen im Vergleich zu der Komplexität und dem Volumen der Benutzerinteraktionen in realen Umgebungen, in denen Daten aufgrund von Datenschutzbedenken und kommerziellem Wert in der Regel innerhalb von Unternehmen abgeschlossen sind.
Das fängt an zu ändern.

In den letzten Jahren wurden mehrere neue Datensätze veröffentlicht, die darauf abzielen, reale Nutzungsmuster, Musik, E-Commerce, Werbung und darüber hinaus besser widerzuspiegeln. Eine bemerkenswerte jüngste Veröffentlichung ist Yambda-5bein von Yandex basierender Datensatz von 5 Milliarden Occasions, der auf Daten aus seinem Musik-Streaming-Dienst basiert und jetzt über das Gesicht verfügbar ist. Yambda ist in 3 Größen (50 m, 500 m, 5b) erhältlich und umfasst Baselines, um die Zugänglichkeit und Benutzerfreundlichkeit zu unterstreichen. Es schließt sich einer wachsenden Liste von Ressourcen an, die dazu beitragen, die Forschung zu Produktion in Empfehlungssystemen zu schließen.

Im Folgenden finden Sie eine kurze Übersicht über wichtige Datensätze, die derzeit das Feld prägen.

Ein Blick auf öffentlich verfügbare Datensätze in der Empfehlungserforschung

Movielens

Eine der frühesten und am weitesten verbreiteten Datensätze. Es enthält von Benutzer bereitgestellte Filmbewertungen (1–5 Sterne), ist jedoch in Größenordnung und Vielfalt begrenzt-ideal für die anfängliche Prototyping, aber nicht repräsentativ für die heutigen dynamischen Inhaltsplattformen.

Netflix -Preis

Ein wegweisendes Datensatz in Empfehlung (~ 100 m Bewertungen), obwohl jetzt datiert. Sein statischer Schnappschuss und der Mangel an detaillierten Metadaten begrenzen die moderne Anwendbarkeit.

Yelp Open Dataset

Enthält 8,6m Bewertungen, die Berichterstattung ist jedoch spärlich und städtisch. Wertvoll für die lokale Geschäftsforschung, aber nicht optimum für groß angelegte verallgemeinerbare Modelle.

Spotify Million Playlist

Dieser Datensatz für Recsys 2018 veröffentlicht und hilft, das kurzfristige und sequentielle Hörverhalten zu analysieren. Es fehlt jedoch eine langfristige Geschichte und ein explizites Suggestions.

CRITEO 1TB

Ein massives Anzeigen-Klick-Datensatz, der Interaktionen im industriellen Maßstab zeigt. Obwohl es beeindruckend ist, bietet es minimale Metadaten und priorisiert die Klickrate (CTR) gegenüber der Empfehlungslogik.

Amazon Bewertungen

Reich an Inhalten und häufig für die Stimmungsanalyse und die Empfehlung von Langschwanz verwendet. Die Daten sind jedoch notorisch spärlich und für die meisten Benutzer und Produkte eine starke Interaktion.

Final.fm (LFM-1b)

Zuvor eine Anlaufstelle für Musikempfehlungen. Die Lizenzbeschränkungen haben seitdem den Zugriff auf neuere Versionen des Datensatzes eingeschränkt.

Umzug in Richtung der Forschung in der industriellen Maßstab

Während jedes dieser Datensätze das Feld gestaltet hat, präsentieren sie alle Einschränkungen – entweder in Maßstab, Datenfrische, Benutzervielfalt oder Vollständigkeit der Metadaten. Hier sind neue Einträge wie Yambda-5b besonders vielversprechend.

Dieser Datensatz bietet anonymisierte, groß angelegte Interaktionsdaten in großem Maßstab über Musik-Streaming-Sitzungen, einschließlich Metadaten wie Zeitstempel, Suggestions-Typ (explizit vs. implizit) und Empfehlungskontext (organisch vs. vorgeschlagen). Wichtig ist, dass es eine globale zeitliche Spaltung enthält, die eine realistischere Modellbewertung ermöglicht, die die On-line -Systembereitstellung widerspiegelt. Die Forscher werden auch einen Wert in der multimodalen Natur des Datensatzes finden, das vorberührte Audio-Einbettungen für über 7,7 Millionen Tracks enthält, die inhaltsbewusste Empfehlungsstrategien über die Field ermöglichen.

Die Privatsphäre wurde sorgfältig im Design des Datensatzes berücksichtigt. Im Gegensatz zu früheren Beispielen wie dem Netflix-Preisdatensatz, der aufgrund von Redentifizierungsrisiken schließlich zurückgezogen wurde. Der Benutzer und verfolgen Sie Daten im Yambda -Datensatz und verwenden numerische Kennungen, um Datenschutzstandards zu erfüllen.

Schließen der Schleife: von der Theorie zur Produktion

Da die Latest -Forschung in der Skalierung in die praktische Anwendung bewegt wird, ist der Zugriff auf robuste, abwechslungsreiche und ethisch bezogene Datensätze unerlässlich. Ressourcen wie Movielens und Netflix -Preis bleiben grundlegend für Benchmarking- und Testenideen. Aber neuere Datensätze-wie Amazon’s, Criteo und jetzt Yambda-bieten jedoch die Artwork von Skala und Nuance, um Modelle von der akademischen Neuheit bis zur realen Nützlichkeit zu überschreiten.

Lesen Sie den Originalartikel unter Turing Submitder E-newsletter für über 90 000 Fachleute, die es ernst meinen, KI und ML.

Von, Avi Chawla – sehr leidenschaftlich in der Annäherung an die Datenwissenschaftsprobleme mit Instinct. AVI arbeitet seit über 6 Jahren im Bereich Datenwissenschaft und maschinelles Lernen, sowohl in der akademischen als auch in der Industrie.

KI-Ethik und -Governance sind zu einem lauten Bereich geworden.

Bei der letzten Zählung ist die OECD-Tracker zählt über 1.800 Dokumente auf nationaler Ebene zu Initiativen, Richtlinien, Rahmenwerken und Strategien mit Stand September 2024 (und es scheint zu jedem einzelnen Berater und Influencer zu geben).

Allerdings als Mittelstadt (2021) bringt es auf eine Artwork und Weise auf den Punkt, wie es nur akademisches Understatement kann: Prinzipien allein können keine ethische KI garantieren.

Trotz der Fülle an Leitlinien auf hoher Ebene besteht nach wie vor eine erhebliche Lücke zwischen der Politik und der Umsetzung in der Praxis. Aber warum ist das so und wie sollten Datenwissenschaftler und KI-Führungskräfte darüber denken?

In dieser Reihe möchte ich die Reife praktischer KI-Ethik und -Governance in Organisationen vorantreiben, indem ich diese Lücke in drei Komponenten zerlege und auf Forschung und Erfahrungen aus der Praxis zurückgreife, um Strategien und Strukturen vorzuschlagen, die bei der Implementierung von KI-Ethik und -Governance-Fähigkeiten funktioniert haben im Maßstab.

Die erste Lücke, die ich schließe, ist die Interpretationslückedie sich aus der Herausforderung ergibt, Prinzipien anzuwenden, die in einer vagen Sprache ausgedrückt werden, wie z. B. „Human Centricity“ und…