（文章來源：教育新聞網）

我參加了多個標準機構。由于不同的用例和不同的業務市場現實驅動競爭，該標準經常被延遲。這條建議在內存中的標準AI是最好的辦法。

我敢肯定還有其他人會爭辯說要采用其他方法，也許是利用現有的流數據分析或專用的硬件平臺。當前，所有這些方法都正在部署中，我懷疑傳統的標準方法是否可行。

每周都會發現AI的突破。關鍵供應商很有可能將其解決方案推向市場，因為開源和平臺供應商將生產專門的系統來解決特定的用例。也就是說，本文確實確定了需要正確管理的幾個關鍵領域，人工智能解決方案才能成功：

“為定制服務部署AI要求編寫緊密，有效的生產就緒代碼，尤其是要在欺詐檢測中使用AI，這必須實時發生并且誤報率極低。人工智能仍在這方面進行開發-數據科學家使用的代碼和工具經常需要進行廣泛的自定義，以對企業開發人員有用，并且必須進行專門修改才能大規模和實時地運行。

當AI能夠訪問大量計算能力和高數據帶寬時，其工作效果最佳。

緊迫地開發這些低假陽性模型意味著它們通常是由數據科學家開發的，其中許多人依賴于從磁盤而不是從主內存中檢索數據。由于搜索數據時的查找時間太長，這會干擾開發人員實時整理實際推理的嘗試。但是，一些工具正在趕上，并且推論已開始被視為企業軟件機器中的真正齒輪。

總體而言，對同時提取和處理各種數據集的更加標準化的方法的需求正在增長。一旦該行業采用了這種成熟的推理能力并選擇了內存數據庫，那么AI在欺詐檢測中的使用將變得更加廣泛。”
（責任編輯：fqj）