教育新闻网如果您使用基于机器学习的系统，那么您将了解所有有关训练数据的知识。在将数据加载到AI模型中以进行模型训练之前，必须正确格式化数据且格式正确。
假设您正在使用公共云中流行的机器学习系统创建欺诈检测引擎。首先，您创建用于训练模型的数据集：在这种情况下，数百万个带有欺诈交易标记的交易记录。这使模型可以了解什么可能是欺诈的，什么不是。当然，培训数据有不同类型，有些带有标签，有些没有。
一旦经过训练，该模型实际上可以通过学习可能的欺诈行为而不是通过经验学习来继续训练。确实，如果您有时间，该模型可以通过监视人员或其他系统标记为欺诈的交易来逐步训练自己。
这种AI培训方法令我印象深刻的是，您需要一个完善的培训数据集。在某些情况下，可以从公开或专有的培训数据代理那里获取。在大多数情况下，您可以格式化自己的数据来训练机器学习模型。但是，如果其他训练有素的机器学习模型可以随时随地训练模型怎么办?
这个想法并不新鲜。自从AI出现以来，我们就一直想让一个AI引擎教另一个，通过共享训练数据，或者更好的是，通过直接，自动的交互来共享知识和经验。拥有一名AI引擎指导者可以提供外部经验，从而使AI模型更有价值和更有效。
说起来容易做起来难。机器学习引擎通常不会互相交谈，即使它们是相同的软件也是如此。它们从根本上被设计为独立的学习者，并与非AI系统或人类进行交互。但是，大多数供应商的雷达屏幕上都在进行AI间引擎培训。
最近，我看到一些可能改变游戏规则的主要趋势：
首先，是使用按需或基于SaaS的AI引擎，该引擎可以与公共云或本地内部的其他AI引擎进行交互。您可以将它们视为SaaS云，它专门针对其他AI引擎讲授特定技能集，从发现欺诈性交易，医疗诊断到机器维护等等。
其次，AI引擎能够与您的讲授模型相结合，创建各种AI超级大脑，不仅可以提供您领域以外的全球经验，还可以与您自己的培训数据相结合以提供本地和全球经验。
我之所以提出这一点，是因为大多数企业要想从AI中获得更多价值，就需要意识到这些趋势，包括机器学习和深度学习。而且，许多企业正陷入没有足够的培训数据来使机器学习正常运行的困境。这可能是解决这两个问题的好方法。
