Kaggle to internetowa platforma dla data science i uczenia maszynowego, należąca do Google od 2017 roku. Oferuje publiczne zbiory danych, konkursy oparte na rzeczywistych problemach, notatniki w przeglądarce z zasobami obliczeniowymi oraz kursy. Dla organizacji i uczących się jest użyteczna do wypróbowywania metod, porównywania podejść lub wypatrywania talentów. Licencję i pochodzenie zbioru danych należy sprawdzić przed użyciem.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoUczenie maszynowe to gałąź sztucznej inteligencji, w której komputery wyprowadzają wzorce z danych, zamiast mieć jawnie zaprogramowaną każdą regułę. W zależności od zadania modele uczą się na oznaczonych przykładach (nadzorowane), na danych nieoznaczonych (nienadzorowane) lub przez nagrody (ze wzmocnieniem). Zastosowania sięgają od filtrów spamu i prognoz popytu po rekomendacje produktów. Jakość silnie zależy od ilości i jakości danych treningowych.
Jupyter Notebook to otwartoźródłowa aplikacja działająca w przeglądarce, rozwijana przez Project Jupyter, która łączy w jednym dokumencie wykonywalny kod, wyniki, wykresy i tekst objaśniający. Notatniki są szeroko stosowane w analizie danych, uczeniu maszynowym, badaniach i nauczaniu, ponieważ każdy krok można udokumentować i udostępnić w sposób dający się prześledzić. Najczęstszym językiem jest Python. Przykład: analityk wczytuje dane sprzedaży, czyści je i pokazuje wyniki jako wykres bezpośrednio poniżej.
W AI benchmarking oznacza systematyczne porównywanie modeli lub systemów na podstawie zdefiniowanych zadań i kryteriów. Publiczne benchmarki mierzą m.in. wiedzę ogólną, umiejętność rozumowania czy programowania; w praktyce najważniejsze są jednak przypadki testowe z własnej codziennej pracy. Typowe kryteria to poprawność, kompletność, czas odpowiedzi i koszt. Pomaga to zdecydować, czy mniejszy, tańszy model wystarczy do danego zadania.
Dane treningowe to przykłady, z których model AI uczy się wzorców: duże zbiory tekstów dla modeli językowych, obrazy z etykietami dla modeli obrazowych. Ich jakość, różnorodność i aktualność w dużej mierze decydują o tym, jak niezawodny i sprawiedliwy jest model oraz jak aktualna jest jego wiedza. Dla organizacji ma też znaczenie, czy dostawca wykorzystuje wprowadzane przez klientów dane do dalszego trenowania.
