,,

從測量開始，判斷 AI 算法的潛力

（2024年11月23日更新）

人工智能（AI）算法包括三個基本核心要素:1) 具有測量能力；2) 知道有多少測量需要進一步處理；3) 并行處理多路輸入的能力。

芯片采購網專注于整合國內外授權IC代理商現貨資源，芯片庫存實時查詢，行業價格合理，采購方便IC芯片，國內專業芯片采購平臺。

德科技全球企業及產品營銷副總裁Jeff Harris

系統的潛力是指其可測性和可達的測量深度，潛力的發揮是指決定系統必須向處理器發送哪些測量結果進一步處理。最后，傳感器集成是指了解如何將不同傳感器的測量結果與正確的比例結合起來，算法的智商和推理的潛力是我們探索的關鍵。算法將能夠通過反饋環來驗證和糾正自己的邏輯，這是機器學習的重要組成部分。

這三個屬性對于了解人工智能的深度，特別是其獨特的能力至關重要。我們探索和校準的基本要素越多，人工智能算法的長期性能就越好。在介紹了我們想要探索的三個領域后，我們將深入了解第一個方面——測量深度，以及它構建穩定的高性能 AI 算法基礎的重要性。

測量深度

測量科學研究測量科學。測量深度在構建穩定算法的過程中起著至關重要的作用。Gagemaker 規則（10:1 規則)規定，測量儀器或器件的精度必須高于被測對象 10 倍。測量深度之所以如此重要，是因為它決定了可能的精度水平，限制了算法的最大潛力。因此，在進行任何指定測量時，精度越高，人工智能算法的潛力就越大。

計量學側重于對特定測量的深入了解。這個測量可能常簡單和清晰，如電壓、接地、溫度，或多個模式，如飛機控制表面，或非常復雜，如最大化生產線吞吐量。測量深度決定了我們還是多個參數，測量深度決定了我們能達到多大程度的可編程能力。例如，以3 V 如果測量精度的測量精度只有1/10 V，就洞察力而言，它是不可能的 1/1000 V測量精度同日而語。取決于什么樣的系統供電，額外的精度可能對電池壽命至關重要，也可能只是雞肋般的多余。要充分發揮算法的潛力，必須使整個端到端測量需求與所需深度相匹配。無論測量對象是什么，這都是正確的，即使是可能不那么直觀的數據系統也不例外。下面，我們來看一個例子。

如何優化測量

企業 IT 堆棧是一個復雜的數據互連系統網絡，每個系統都需要交換信息來協調組織的運行。這些技術堆棧包含一系列軟件，如 CRM、ERP、每個軟件都有自己獨特的數據格式和自定義特的數據格式和（API）。Salesforce 數據顯示，公司技術堆棧中應用軟件的平均數量超過了其中許多是云應用，其軟件更新可能會產生連鎖反應。就像大海撈針一樣，發現問題和隔離問題更難優化多個交叉應用軟件的性能。

技術堆棧中的每個應用軟件都有不同的責任部門，如財務、人力資源、銷售、營銷和供應鏈。IT 主要組織的需求將放在首位。每個企業都有一個特殊的定制工作流程，集成了許多應用程序和后端系統，Inphi代理用戶使用軟件的旅程或旅程將涉及各種路徑，單一的線性旅程非常罕見。因此，即使兩家企業在技術堆棧中使用相同的應用軟件，其所有交換點映射和端到端操作驗證方法也將完全不同。因此，出現了需要人工智能的應用軟件。在這種情況下，測量位置可能是系統之間的數據輸入點、系統中的數據交換點和數據顯示點。

要想知道 AI 如何在這樣的系統中運行算法，首先需要了解它如何在以下三個關鍵領域測量每個點的數據：

1.無論使用何種操作系統，評估用戶與應用軟件的交互模式。在某些情況下，當需要按鍵操作時，還涉及到機器人流程的自動化（RPA）

2.評估復雜技術堆棧中各系統之間的數據交換和連接該系統的應用編程接口命令，以確保其正確運行

3.評估所有平臺上的屏幕信息(包括臺式機和移動設備)，如圖像、文本和標志，以了解它們的呈現方式

無論使用什么操作系統、什么版本的軟件，什么設備或接口機制，評估測量效果都需要從測量能力開始。人工智能不能測量的情況越多，對運行的影響就越小。

結論

在評估事物的潛力時，我們需要從基礎開始。AI 該系統的基礎是其測量能力。條件越多，潛在影響力就越大。要知道它能做什么測量，更重要的是，它不能做什么測量。AI 感知能力限制了算法的潛力。開爾文勛爵的名言至今仍不過時――不能測量，就不能改進。要想了解 AI 請從分析測量的廣度和深度開始。