原文towardsdatascience.com/the-big-questions-shaping-ai-today-5e7c1da38b41?sourcecollection_archive---------6-----------------------#2024-08-08https://towardsdatascience.medium.com/?sourcepost_page---byline--5e7c1da38b41--------------------------------https://towardsdatascience.com/?sourcepost_page---byline--5e7c1da38b41-------------------------------- TDS 编辑团队·发表于 Towards Data Science ·通过 Newsletter 发送 ·3 分钟阅读 ·2024 年 8 月 8 日–想写你的第一篇 TDS 文章吗我们始终欢迎新作者的投稿。模型发布、新工具和前沿研究的不断涌现使得我们很难停下来花几分钟时间思考一下 AI 的全局图景。从业者们正在努力回答的问题是什么——或者至少是需要关注的问题所有这些创新对从事数据科学和机器学习的人员以及这些不断发展的技术将来会影响的社区和社会实际上意味着什么本周我们精选的文章从多个角度探讨了这些问题——从支撑有时甚至推动AI 热潮的商业模式到模型能够和不能实现的核心目标。准备好进行一些引发深思的讨论了吗让我们开始吧。生成性 AI 的经济学“我们应该期待什么什么只是炒作这项技术的承诺和实际情况之间有什么区别”Stephanie Kirmer的最新文章直接而不妥协地探讨了 AI 产品的商业前景——这是一个及时的探索考虑到至少在某些圈子里对于行业未来前景的悲观情绪日益加剧。构建可靠 AI 应用的 LLM 三角原则即使我们把人工智能驱动产品的经济因素放在一边我们仍然需要应对实际构建这些产品的过程。Almog Baku的近期文章旨在为一个经常感觉混乱的生态系统增添结构性和清晰性他从软件开发人员那里获得启示最新的贡献聚焦于实践者在构建人工智能应用时应该遵循的核心产品设计原则。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/92f1c33ca62d1a1aef3f346279ce0a17.png图片来源Teagan Ferraby于Unsplash**变压器架构能告诉我们什么**关于人工智能的讨论通常围绕着实用性、效率和规模展开。Stephanie Shen的最新文章聚焦于变压器架构的内部运作提出了一个截然不同的研究方向通过更好地理解人工智能系统中的复杂数学运算我们可能获得有关人类认知和大脑的深刻见解。为什么机器学习不适用于因果估计随着任何突破性技术的到来理解其不仅能做什么还能做不到什么是至关重要的。Quentin Gallea, PhD在他的预测和因果推断入门文章中强调了这一区别的重要性他深入剖析了为什么模型在前者方面如此擅长而在后者方面仍然困难重重。本周寻找其他值得探索的问题——无论是大的、中等的还是非常集中的我们邀请您探索一些我们最近的突出文章。具有全面性和可操作性Sachin Khandewal的首篇 TDS 文章展示了一种新的 RAG 方法通过复杂推理提升输出质量。自然语言处理与办公室结合Maria Mouschoutzi, PhD的易懂教程对角色的台词进行情感分析旨在更好地理解这一技术的潜力以及它的局限性。“如果有一种方法不仅能够将数据进行聚类而且还能提供每个聚类的内在特征岂不是很好”Nakul Upadhya 分享了一个 适合初学者的可解释聚类入门。在他最新的数学深入分析中Reza Bagheri 提供了一个详细且精心插图的决策树和梯度提升算法的解析它们是如何工作的以及我们如何从零开始在 Python 中实现梯度提升算法。如果你想进入数据科学领域但没有通常能带来竞争力角色的资格证书Mandy Liu 的新文章提供了所有你需要的灵感和可行的建议帮助你将职业道路引向正确的方向。神经网络如何感知分类变量及其层次结构Valerie Carey 继续探索高基数分类特征及其处理的复杂性。有兴趣解决复杂的优化问题吗不要错过Will Fuks 的引人入胜的文章介绍了一个利用线性规划简化全球范围内集装箱供应链操作的项目。如果你更倾向于从产品的角度来处理机器学习模型我们强烈推荐Julia Winn的精彩评估及其潜在影响概述帮助你了解它们对用户体验的影响。感谢你支持我们作者的工作我们很喜欢发布新作者的文章所以如果你最近写了一篇有趣的项目演示、教程或在我们核心话题上的理论反思欢迎与我们分享。直到下一期《Variable》TDS 团队