Register and share your invite link to earn from video plays and referrals.

Haruki Sonehara / 🇺🇸シリコンバレー企業のプロダクト戦略
@Haruki_Sonehara
Product Lead @SamsungUS|ex @LinkedIn 他|在🇺🇸20年目|プロダクト・AI・新規事業の重要な意思決定を支援。顧客理解・戦略・KPI・組織をつなぎ、実行から学べる組織へ|著書3冊|Udemy 5万人|ご相談はリンクから|フォローで、世界のプロダクト経営の一次情報と実践知を毎週お届け
Joined February 2009
905 Following    14.1K Followers
テスラのAIエンジニアさん、めちゃくちゃいいこと言ってる。 多くの人が「機械学習のプロジェクト=モデルの学習がほとんど全部(99%)」だと思ってるが、実際は全然違う。 1. モデルの性能をちゃんとチェックする評価:50% 2. データのゴミを掃除したり整えたりするデータクリーニング:40% 3. システムに組み込む作業:8% 4. 実際にモデルを訓練する作業:わずか2% 大事なのは最初の2つ。 評価とデータ整備で「学習できる限界」が決まる。どんなにすごいモデルでも、与えられたデータの質を超えて賢くはなれない。 データが汚かったり、ラベル(正解の付け方)が曖昧だと、モデルはそれ以上のことは学べない。 だからオントロジー(データにちゃんと意味やルールを付ける作業)を毎日考える必要があるし、古いラベルも見直し続ける必要がある。 ラベルが間違ってると、モデルが根本から勘違いしたまま学習してしまうから。 要するに、モデルを強くするより、データと評価をちゃんと整える方がよっぽど大事ということ。
Show more
0
10
1.3K
201
Forward to community