机器学习

最近在做一个医疗文本分类项目，训练数据只有 200 条标注样本，模型怎么调都过拟合。

他们去年上线的推荐模型，看起来一切正常：预测延迟在100ms以内，接口错误率接近0，监控面板绿油油的。

招聘推荐系统对女性候选人评分偏低——AI 伦理得从设计阶段就写进流程，不能等上线后再补。

三个月前接手一个用户流失预测项目时，我像往常一样打开 Jupyter Notebook，准备走一遍"数据清洗-…

如果只能用一句话说AI模型评估：先把失败复现出来。

结果光显存这块就踩了一堆坑：先是用全参数微调直接 OOM，换 LoRA 还是顶不住，最后上 Q-LoRA 才勉强在 24G 显存上跑起来。

AI风险管理：先看卡点

客户流失预测模型准确率到了 92%，业务方却总在问同一句：「这个客户为什么被标成高风险？

项目是这样的：根据用户最近30天的行为数据（点击、收藏、购买、停留时长等），预测接下来7天的购买概率。

AI损失函数：先看卡点