3.5 ժամ առաջ տեղի ունեցած արտահոսք. ինչպես էր մոդելը խաբում ինքն իրեն մեկուկես ամիս և ինչպես մենք բռնեցինք այն
Հոդվածում քննարկվում է ժամանակային շարքերի մեքենայական ուսուցման դասական խնդիրը՝ տվյալների արտահոսքը, երբ մոդելը անուղղակիորեն տեղեկատվություն է ստանում ապագայից: Հեղինակները բախվել են մի իրավիճակի, երբ կանխատեսման ալգորիթմը հիանալի արդյունքներ էր ցույց տալիս պատմական տվյալների վրա, բայց ձախողվում էր իրական պայմաններում: Պատճառը 4-ժամյա մոմերի սխալ վերանմուշառումն էր (resampling), որի պատճառով մոդելը «նայում» էր ապագային 3,5 ժամով: Նյութում մանրամասն վերլուծվում է այս սխալի անատոմիան, դրա հայտնաբերման համար դիրքային թեստի մաթեմատիկական մոտեցումը և առաջարկվում են պաշտպանության մեթոդներ: Հեղինակները կիսվում են կոդի հատվածով, որն օգնում է կանխել տվյալների արտահոսքը ժամանակային շարքերի մշակման ժամանակ՝ ընդգծելով տվյալների նախապատրաստման խողովակաշարերի մանրակրկիտ ստուգման կարևորությունը՝ արտադրական միջավայրում ML մոդելների հուսալիությունն ապահովելու համար:
This is a summary. Read the full article at the original source:
HabrԿապակցված
Երկարաժամկետ հիշողություն AI օգնականի համար. ինչպես վերածել Telegram-ի նամակագրությունը կառուցվածքային գիտելիքների բազայի
Հոդվածի հեղինակը կիսվում է անձնական AI օգնականի համար երկարաժամկետ հիշողության համակարգ ստեղծելու իր փորձով, որը վերլուծում է Telegram-ի նամակագրությո…
Universal Music Group-ը համագործակցում է ElevenLabs-ի հետ՝ AI երաժշտական հարթակ գործարկելու համար
Universal Music Group-ը (UMG) հայտարարել է ElevenLabs-ի հետ բազմամյա ռազմավարական համագործակցության մասին՝ նոր արհեստական բանականության վրա հիմնված հա…
Նեյրոնային ցանցերը բիզնես-վերլուծաբանի համար. Տեխնիկական առաջադրանքի վերլուծություն, նախագծի գնահատում և ժամանակացույց 15 րոպեում
Հոդվածում դիտարկվում է նեյրոնային ցանցերի գործնական կիրառումը բիզնես-վերլուծաբանի աշխատանքում՝ BotHub հարթակի օրինակով։ Հեղինակը ցույց է տալիս, թե ինչ…