| 詳細信息 |
文本標注質(zhì)量評估算法優(yōu)缺點 |
| 編輯： 來源：華泰證券 時間：2023/5/18 |
文本標注質(zhì)量評估算法 1、 BLEU 算法 優(yōu)點：方便、快速、結(jié)果有參考價值 測評精度易受常用詞干擾 缺點：測評精度易受常用詞干擾 2、 ROUGE 算法 優(yōu)點：參考標注越多，待評估數(shù)據(jù)的相關性就越G 缺點： 無法評價標注數(shù)據(jù)的流暢度 3、METEOR 算法 優(yōu)點：評估時考慮了同義詞匹配， 提G了評估的準確率 缺點：長度懲罰，當被評估的數(shù)據(jù)量小時，測量精度較G 4、CIDEr 算法 優(yōu)點：從文本標注質(zhì)量評估的相關性上升到質(zhì)量評估的相似性進 缺點：對所有匹配上的詞都同等對待會導致部分詞的重要性被削弱 5、 SPICE 算法 優(yōu)點：從圖的語義層面對圖像標注進行評估 缺點： 圖的語義解析方面還有待進一步完善 6、ZenCrowd 算法 優(yōu)點：將算法匹配和人工匹配結(jié)合，在一定程度上實現(xiàn)了標注質(zhì)量和效率的共同提G 缺點：無法自動為定實體選擇佳數(shù)據(jù)集
|
| 【聲明：轉(zhuǎn)載此文出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其描述，文章內(nèi)容僅供參考，如有侵權，請聯(lián)系刪除。】 |
| 推薦信息 |
|
圖像標注質(zhì)量評估算法優(yōu)缺點
MV算法簡單易用,常用作其他眾包質(zhì)量控制算法的基準算法;EM算法可以收斂到局部最大化;RY算法將分類器與 Ground-truth 結(jié)合起來進行學習
數(shù)據(jù)清洗缺失數(shù)據(jù)的處理方法
數(shù)據(jù)清洗作為數(shù)據(jù)預處理中至關重要的環(huán)節(jié),清洗后數(shù)據(jù)的質(zhì)量很大程度上決定了 AI算法的有效性,數(shù)據(jù)可能存在缺失值,噪聲數(shù)據(jù),重復數(shù)據(jù)等質(zhì)量問題
數(shù)據(jù)采集三種常見方式
實時的在線分析系統(tǒng)和分布式并發(fā)的離線分析系統(tǒng);通過網(wǎng)絡爬蟲或網(wǎng)站公開API方式獲取大數(shù)據(jù)信息;采集的對象包括視頻,圖片,音頻和文本等多種類型
建立數(shù)據(jù)集的流程 數(shù)據(jù)集產(chǎn)生
數(shù)據(jù)清洗,由于采集到的數(shù)據(jù)可能存在缺失值,噪聲數(shù)據(jù),重復數(shù)據(jù)等質(zhì)量問題; 模型訓練人員會利用標注好的數(shù)據(jù)訓練出需要的算法模型
AI大模型需要什么樣的數(shù)據(jù)集
通過提升數(shù)據(jù)的質(zhì)量和數(shù)量來提升整個模型的訓練效果,我們認為未來數(shù)據(jù)成本在大模型開發(fā)中的成本占比或?qū)⑻嵘?主要包括數(shù)據(jù)采集,清洗,標注等成本
TidyBot家庭服務機器人完成房間整理
機器人在基準數(shù)據(jù)集中對看不見的物體實現(xiàn) 91.2% 的準確率,TidyBot的真實移動操作器演示了該方法,該操縱器在真實世界的測試場景中成功地收起了85.0%的對象
AI大模型算法輔助程序員編程 動嘴就能編程
AI指導編程服務,包括代碼解釋,找Bug等功能,插件上線僅幾天就有數(shù)萬次下載,允許開發(fā)人員用自然語言詢問如何完成特定的編碼功能
GPT-4接入到Office工具,AI幫做PPT、制表格
Word中AI能秒出草稿,并根據(jù)用戶要求增刪文字信息和配圖;AI將數(shù)據(jù)分析變得輕松高效,能快速提煉出關鍵趨勢,協(xié)同辦公時,AI能總結(jié)規(guī)劃成員的工作進展 |
| 智能運輸機器人 |
| AGV無人運輸機器人-料箱版 |
| AGV無人運輸機器人-標準版 |
| AGV無人運輸機器人-料箱版（鈑金材質(zhì)） |
| AGV無人運輸機器人-貨架版（鈑金材質(zhì)） |
| AGV無人運輸機器人-貨架版（亮面不銹鋼材質(zhì)） |
| AGV無人運輸機器人-開放版 |
| 行業(yè)動態(tài) |
