Este conteúdo foi traduzido por máquina para sua conveniência e a Huawei Cloud não pode garantir que o conteúdo foi traduzido com precisão. Para exibir o conteúdo original, use o link no canto superior direito para mudar para a página em inglês.
Central de ajuda> ModelArts> Visão geral de serviço> Conhecimento básico> Introdução ao ciclo de vida de desenvolvimento de IA
Atualizado em 2022-11-11 GMT+08:00

Introdução ao ciclo de vida de desenvolvimento de IA

O que é IA

A inteligência artificial (IA) é uma tecnologia capaz de simular a cognição humana através de máquinas. A capacidade central da IA é fazer um julgamento ou previsão com base em uma determinada entrada.

Qual é o propósito do desenvolvimento de IA

O desenvolvimento de IA visa processar e extrair centralmente informações de volumes de dados para resumir padrões internos dos objetos de estudo.

Grandes volumes de dados coletados são computados, analisados, resumidos e organizados usando estatísticas apropriadas, aprendizado de máquina e métodos de aprendizado profundo para maximizar o valor dos dados.

Processo básico de desenvolvimento de IA

O processo básico de desenvolvimento de IA inclui as seguintes etapas: determinação de um objetivo, preparação de dados e treinamento, avaliação e implantação de um modelo.

Figura 1 Processo de desenvolvimento de IA
  1. Determinar um objetivo.

    Antes de iniciar o desenvolvimento da IA, determine o que analisar. Quais problemas você quer resolver? Qual é o objetivo do negócio? Classifique a estrutura de desenvolvimento de IA e as ideias com base no entendimento do negócio. Por exemplo, classificação de imagem e detecção de objeto. Diferentes projetos têm diferentes requisitos para dados e métodos de desenvolvimento de IA.

  2. Preparar os dados.

    A preparação de dados refere-se à coleta e ao pré-processamento de dados.

    A preparação de dados é a base do desenvolvimento de IA. Quando você coleta e integra dados relacionados com base no objetivo determinado, o mais importante é garantir a autenticidade e a confiabilidade dos dados obtidos. Normalmente, você não pode coletar todos os dados ao mesmo tempo. Na fase de rotulagem de dados, você pode achar que algumas fontes de dados estão faltando e, em seguida, pode ser necessário ajustar e otimizar os dados repetidamente.

  3. Treinar um modelo.

    A modelagem envolve a análise dos dados preparados para encontrar a causalidade, as relações internas e os padrões regulares, fornecendo referências para a tomada de decisões comerciais. Após o treinamento do modelo, geralmente um ou mais modelos de aprendizado de máquina ou de aprendizado profundo são gerados. Esses modelos podem ser aplicados a novos dados para obter previsões e resultados de avaliação.

    Um grande número de desenvolvedores desenvolve e treina modelos exigidos por serviços relevantes baseados em mecanismos populares de IA, como TensorFlow, Spark_MLlib, MXNet, Caffe, PyTorch, XGBoost-Sklearn, e da MindSpore.

  4. Avaliar o modelo.

    Um modelo gerado pelo treinamento precisa ser avaliado. Normalmente, você não pode obter um modelo satisfatório após a primeira avaliação e pode precisar ajustar repetidamente os parâmetros e dados do algoritmo para otimizar ainda mais o modelo.

    Algumas métricas comuns, como a precisão, a recuperação e a área sob a curva (AUC), ajudam a avaliar efetivamente e obter um modelo satisfatório.

  5. Implantar o modelo.

    O desenvolvimento e o treinamento do modelo são baseados em dados existentes (que podem ser dados de teste). Depois que um modelo satisfatório é obtido, o modelo precisa ser formalmente aplicado a dados reais ou dados recém-gerados para previsão, avaliação e visualização. As descobertas podem então ser relatadas aos tomadores de decisão de maneira intuitiva, ajudando-os a desenvolver as estratégias de negócios corretas.