可以被当成特征或者维度设计到一个模型里

mamun6846

的就尽量不要用级联设计。 当然还有一种误差是模型本身可以做到多少效果比如的效果就这个模型这一环节有的误差需要考虑。然后每一级的误差和下一级的误差之间是叠加关系而不是简单加法。 有些任务天然需要对误差保持高度敏感例如生成式模型例如大型语言模型相比于判别式模型每一个环节的误差都会被传递到下一次预测中被放大因为语言模型是逐字预测的起初可能只是小数点后几位的微小误差在最后会被放大到甚至的巨大误差像这类任务需要对误差高度敏感。 年前当初做过一个无注册声纹识别系统这个系统是在用户交互过程中可以无感知的就实时判断出“用户是谁”“性别年龄情况如何”两个重要画像信息而不需要用户实现注册自己的声音实现真正无感知。


这个对于一些多人共用设备例如电视冰箱等家电或者经常有外人往来的地方例毕竟外人不可能 马来西亚手机号码数据 提前注册有很广的应用前景。 简单设想一下这项能力可以用来做以下两件事 用来实时做交互人的识别识别到是谁之后可以把这个设备调整到这人的个性化设定上去例如内容推荐闹钟习惯闲聊风格等等； 用来做推荐系统识别出是谁之后可以把个人的交互数据计算成画像让公用设备也可以具备个性化推荐能力。 对以上两个场景来说“实时交互人识别”对于误差的容忍度就很低具体来说其实是精准度要求极高因为误差会连续传递到全部服务上。实际上基于单纯“声学”或者“语言”一维到两维信息的无注册声纹已经效果已经不可达了需要引入视觉维度做“多模交互人识别”或者干脆把系统做成注册式声纹。





推荐系统”对于误差的容忍度就相对高具体来说召回要求不高就算一个人被识别成了两个人导致画像计算数据变少其实影响也很小另一方面精准度要求也不高因为其实即使识别错了用户也比较难感知到。 如果以上面的视角方式再回头审视下“交互中挖掘需求”这件事就会发现之前设计的流程存在很多问题。  首先其实是有个概念偷换且不论只能评估需求影响面转化率则需要人工评估这种问题其实在定义“文本聚类”子任务的时候已经是再用表达范式影响面在替换需求影响面了可以大概理解成其实只能挖掘某个需求的某个意图例如“看的年上映的电影”其实这只是影视需求的一种表达范式。