人工智能在工業(yè)界用到的模型都是最前沿的嗎？前段時(shí)間，我用NLP領(lǐng)域最好的方法對業(yè)務(wù)數(shù)據(jù)集做了微調(diào)，效果特別好。此外，釋義檢測任務(wù)列表模型的精度也提高到0.95，泛化能力很強(qiáng)。改變子域數(shù)據(jù)時(shí)不需要繼續(xù)微

人工智能在工業(yè)界用到的模型都是最前沿的嗎？

前段時(shí)間，我用NLP領(lǐng)域最好的方法對業(yè)務(wù)數(shù)據(jù)集做了微調(diào)，效果特別好。

此外，釋義檢測任務(wù)列表模型的精度也提高到0.95，泛化能力很強(qiáng)。改變子域數(shù)據(jù)時(shí)不需要繼續(xù)微調(diào)，隨機(jī)測試10個(gè)以上的情況只會出現(xiàn)一個(gè)錯(cuò)誤。

但是在實(shí)際生產(chǎn)環(huán)境中存在一些問題。首先，模型存儲成本巨大。一個(gè)bet分類器模型的長度超過400m，并且在我們的知識樹中有很多節(jié)點(diǎn)。假設(shè)只有10個(gè)分類器，這部分成本也是巨大的。

而且，使用CPU來做信息會非常慢，但是如果你想更換GPU，機(jī)器的成本每年都會增加很多。

那么最前沿的模型是否真的能被使用，會有很大的折衷

Bert不能做翻譯任務(wù)，因?yàn)榉g任務(wù)是NLP生成任務(wù)，Bert目前不能做。Bert可以完成的主要任務(wù)有：1文本分類任務(wù)，如情感分類，2序列注釋任務(wù)，如分詞實(shí)體識別，詞性標(biāo)注，3句子關(guān)系判斷，如QA，自然語言推理

學(xué)習(xí)是一個(gè)漫長的過程，遇到困難停不下來，語言堅(jiān)持，那人的學(xué)習(xí)方法不一樣，有的人喜歡看視頻，有的人喜歡看書，B站，CSDN，智湖等等，有很多教學(xué)視頻，可以參考學(xué)習(xí)，小編學(xué)習(xí)python，都是直接作戰(zhàn)，自己做項(xiàng)目，在項(xiàng)目中遇到問題，去百度，或者谷歌，這些問題解決后，推薦自己的學(xué)習(xí)解決方案也錄下來，發(fā)到網(wǎng)上，讓自己也學(xué)習(xí)，為別人也鋪路，關(guān)于python，小編也寫了很多文章，可以參考學(xué)習(xí)