หมายถึงการพัฒนาการวิจัยเชิงทดลองเพื่อปรับปรุงประสิทธิภาพของแบบจําลอง ML (Machine Learning) สิ่งนี้เกี่ยวข้องกับการเลือกสถาปัตยกรรมแบบจําลองที่ดีที่สุดและกระบวนการฝึกอบรมจากความเป็นไปได้ที่หลากหลาย
ปัจจุบันแอปพลิเคชัน AI ส่วนใหญ่มีแบบจำลองเป็นศูนย์กลาง จากข้อมูลของ Andrew Ng มากกว่า 90% ของเอกสารการวิจัยในโดเมนนี้ใช้แบบจําลองเป็นหลัก เพราะเป็นการยากที่จะสร้างชุดข้อมูลขนาดใหญ่ที่สามารถกลายเป็นมาตรฐานที่ได้รับการยอมรับโดยทั่วไป ด้วยเหตุนี้ ชุมชน AI จึงเชื่อว่า ML ที่ใช้ Model-Centric มีแนวโน้มมากขึ้น ในขณะที่มุ่งใช้โค้ด ในส่วนของข้อมูลมักถูกมองข้าม และการรวบรวมข้อมูลถูกมองว่าเป็นเหตุการณ์ที่เกิดขึ้นครั้งเดียว
สําหรับนักวิทยาศาสตร์ข้อมูลและวิศวกร ML พอใจ Model-Centric Approach เนื่องจากผู้ปฏิบัติงานอาจใช้ความรู้ของตนเพื่อจัดการกับปัญหาเฉพาะ ในทางกลับกันไม่มีใครต้องการใช้เวลาทั้งวันในการติดฉลากข้อมูลเพราะถือว่าเป็นงานครั้งเดียว
อย่างไรก็ตาม ML ในปัจจุบัน ข้อมูลมีความสําคัญ แต่มักถูกมองข้ามและจัดการอย่างไม่ถูกต้องในการริเริ่ม AI ด้วยเหตุนี้ หลายร้อยชั่วโมงจึงสูญเปล่าไปกับการปรับแต่งแบบจำลองตามข้อมูลที่ผิดพลาด นั่นอาจเป็นสาเหตุพื้นฐานที่ทําให้แบบจำลองมีความแม่นยําต่่ำและไม่เกี่ยวข้องกับการเพิ่มประสิทธิภาพแบบจำลอง
Model-centric ML 》》》
- การทํางานกับโค้ดเป็นวัตถุประสงค์หลัก
- การเพิ่มประสิทธิภาพแบบจำลองเพื่อให้สามารถจัดการกับ noisy data (ข้อมูลที่ไม่มีความหมาย) ได้