Artykuły zebrane według problemu, branży i rodzaju systemu.
Jeśli system regularnie przypisuje czytelne dane z dokumentów przewozowych do niewłaściwych pól, fine-tuning może być wart oceny. Najpierw trzeba ustalić, czy źródłem błędu jest obraz, rozpoznanie tekstu, znaczenie pola czy brak informacji, a potem sprawdzić poprawę na dokumentach spoza materiału rozwojowego.
Fine-tuning może pomóc w klasyfikacji zgłoszeń, gdy model ogólny regularnie myli specyficzne kategorie firmy. Najpierw trzeba jednak sprawdzić, czy ludzie rozumieją te kategorie w ten sam sposób i czy dane pokazują poprawną decyzję.
Model AI może podpowiadać części z katalogu na podstawie opisów klientów, jeśli wynik pozostaje listą kandydatów do sprawdzenia. Gdy dwa warianty różnią się przyłączem, a opis nie zawiera tej informacji, system powinien wskazać brakujący szczegół i przekazać wybór handlowcowi lub specjaliście.
Własny model do rozpoznawania kategorii wydatków warto rozważyć, gdy reguły oparte na dostawcach i obecny system zakupowy mylą różne rodzaje zakupów. Przed treningiem trzeba uzgodnić podział kategorii i sprawdzić, czy dostępne opisy pozwalają je odróżnić. O wyborze rozwiązania powinien przesądzić test na nowych pozycjach oraz nakład pracy potrzebny do sprawdzania wyników.
Rysa na lakierowanej obudowie może być wyraźna na jednym zdjęciu i niemal zniknąć po zmianie światła. Zanim zamówisz własny model do kontroli takich wad, sprawdź, co rzeczywiście widać na zdjęciach i ile różnych części one pokazują. Dostosowanie modelu warto rozważyć, gdy ma z czego rozpoznawać wadę, a prostsza kontrola obrazu nie daje potrzebnego wyniku.