对于任何图像识别解决方案来说,关键的因素是结果的精度,即识别图像的能力。对于大多数应用程序来说,速度和灵活性等方面都是稍后出现的。
该公司可以将数据标记为测试数据集后比较不同的解决方案。在大多数情况下,解决方案是使用优于预先训练的解决方案的公司数据进行训练的。如果所需的精度水平可以与预先训练的解决方案进行比较,那么公司可以避免构建定制模型的成本。
用户应避免基于单一测试做出概括。在人脸识别方面表现良好的供应商可能在车辆识别方面表现不佳,因为图像识别算法的有效性取决于给定的应用。
其他此类标准包括:
持续学习:每个人工智能供应商都吹嘘持续学习,但很少有人能做到。解决方案将从错误的预测中吸取教训。
速度:对于必要的应用来说,解决方案应该快速高效。虽然面对客户的问题可能需要在几毫秒内做出响应,但内部使用的解决方案应该在几天内产生。
对未来需求的适应性:解决方案对未来的适应性至关重要。提前预见未来的制约因素是明智的选择。
设置和集成的简单性:该解决方案应该非常容易设置和使用。由于大多数解决方案都是 API 端点,因此它们往往很容易设置。