上周，您通过训练，验证和测试的基础知识与Bean先生一起参加了他的冒险之旅。 从这个例子中可以很自然地遵循一些关于如何成为人工智能白痴的规则，但是让我为您明确地阐明它们。 （如果我听起来非常熟悉，我表示哀悼。）
Image: SOURCE.
到目前为止的故事
在上一集中，您扮演了Bean先生的耐心教授。 由于您擅长于此，因此请坚持使用。 我经常说，避免应用AI出现最大陷阱的最好方法是永远不要忘记学习和教学的基础，因此我暗中希望您能永远保持Bean教授的心态。
永远不要忘记学习和教学的基础！
快速提醒三个阶段（在上一篇文章中有更详细的说明）：
· 训练阶段：Bean先生（您钟爱的AI系统的占位符）在他在课堂上看到的示例中查找模式，然后将这些模式转换为模型（食谱）。
· 验证阶段：查看Bean先生的食谱如何运用他未明确研究的示例。 如果分数看起来不错，他会参加考试，否则他会重新开始训练阶段。
· 测试阶段：Bean先生参加期末考试，并了解他是否被允许去生产或换专业。
训练阶段非常简单-您将示例推入学生（将数据推入机器学习算法），并且大多希望获得最好的成绩（我只是在开玩笑）。 在此处了解有关其工作原理的更多信息。
在列出成为AI白痴的方法之前，让我们从您尊敬的教授角度谈谈更微妙的阶段-验证和测试。
验证和测试之间的细微差别如果您所关心的只是使不值得的学生失败，那么您不需要验证阶段。 您只需要测试。 可怜的Bean先生训练，发现一个模式（这是一个愚蠢的模式），赶赴考试，考试不及格，并被踢出数学专业。 您抓住并执行了一个无知的决定。 做得好！
测试是关于守门的。 只有有价值的人才能过去！
测试使您免受发布不良原型的伤害。A good teacher helps students improve. Image: SOURCE.
但是，您希望帮助学生改善的地方在哪里？ 您对帮助他们做得更好的承诺在哪里？ 他们有什么机会获得救赎和自我完善？ 验证就在这里。
验证与赎回有关。 这是一个摆脱尘埃并重试的机会。 验证使您可以迭代到更好的原型。
如果你真的关心你的学生，那将是可悲地发现，他们在配方企图是愚蠢的，这只是后为时已晚，以帮助他们。 （关于期末考试本身。）您是老师还是an子手？
您是老师还是刽子手？
如果您的最终目标是培训合格和有效的学生，那么您将希望提供练习问题（来自验证数据集），以帮助学生在面对教授断头台之前有所提高。
如何不成为AI白痴尽管AI项目的负责人可能不了解他们的工程师和数据科学家所掌握的数学技巧，但没有任何借口会忘记学习和教学的基础。 如果您曾经考虑过要进行考试，那么您已经拥有了现所需的大多数常识工具。 这里有一些例子。
Image: SOURCE.
永远不要忘记AI就是用示例进行解释
如果您的例子不好，您应该感到难过。 如果您没有给学生足够的高质量的例子来学习，您将如何期望学生有效地学习？ 哦，如果您给学生一个有偏见的例子，您将得到一个有偏见的学生。 教授，那是你的错。
从不训练测试数据
如果可以通过记忆通过那项考试对您不利。 机器学习是在新示例上取得成功的动力-如果您关心的只是在旧代码上的表现不错，则可以跳过ML / AI的烦恼并使用查找表。 为确保您评估的是正确的东西（新数据的性能），而不是记忆旧数据的能力，请确保您的学生永远没有机会学习（记忆）任何测试示例。
切勿在期末考试中加入培训或验证数据，这只会降低您正确测试学生的能力。 （哦，我是否提到计算机是有史以来最好的记忆体？）
永远不要混淆您的数据集
如果您未仔细整理和拆分数据，如何解决上述问题？ 数据拆分是目前最好的数据科学快速解决方案。 在开始教学生之前，请务必将测试示例锁定在安全的地方。
在设置考试标准之前，请勿测试学生
即将要面手掌吗？ 握住你的手！
尽管这个举动似乎不太明显，但您会惊讶于领导力弱的真实项目团队执行测试的频率，然后再移动目标杆，因此他们的学生得分无论如何都足够好。 不要这样 （在此处了解更多信息。）永远不要重复使用测试数据
如果您想对那些挑剔的统计学家视而不见，他们坚持认为您不能多次使用测试数据集，那么我们可以尝试用另一种方式说出来："如果您给同一名学生两次相同的期末考试， 不要再次信任他们的表现。"不要重复使用考试题！
永不跳过测试
测试可以使您免于灾难。 这是您避免批准有毒原型的保护措施。 如果您真的不关心它（例如，如果您正在制作艺术品），请敢于将最低要求的性能标准设置为-inf。 没有？ 好的，然后正确测试。
永远不要过分相信自己
仍然有一个薄弱的环节：教授。 如果您不知道自己考试不好怎么办？ 这可能发生在我们当中。 为了以防万一，请务必建立一些安全网以确保刚毕业的学生不受世界的伤害。
如何成为AI白痴
当团队缺乏熟练的AI领导力时，或者当他们过于沉迷于工程的棘手时，他们的常识可能会脱颖而出。 他们可能会忽略基础知识，最终发布真正糟糕的解决方案。 我在现实生活中遇到的几乎每一次讨厌的ML / AI灾难都可以追溯到上面列表中的一项，因此，如果您喜欢AI笨拙的帽子，我给您提供了很多可供选择的错误清单来自，自救！
但是，如果您希望构建良好，有用和有效的AI解决方案，那么请始终牢记教授的观点。 继续学习机器学习……该是时候考虑机器教学了！
(本文翻译自Cassie Kozyrkov的文章《How to be an AI idiot》，参考：https://towardsdatascience.com/how-to-be-an-ai-idiot-8559c65d91a8)
