教育新闻网我参加了多个标准机构。由于不同的用例和不同的业务市场现实驱动竞争，该标准经常被延迟。这条建议在内存中的标准AI是最好的办法。
我敢肯定还有其他人会争辩说要采用其他方法，也许是利用现有的流数据分析或专用的硬件平台。当前，所有这些方法都正在部署中，我怀疑传统的标准方法是否可行。
每周都会发现AI的突破。关键供应商很有可能将其解决方案推向市场，因为开源和平台供应商将生产专门的系统来解决特定的用例。也就是说，本文确实确定了需要正确管理的几个关键领域，人工智能解决方案才能成功：
“为定制服务部署AI要求编写紧密，有效的生产就绪代码，尤其是要在欺诈检测中使用AI，这必须实时发生并且误报率极低。人工智能仍在这方面进行开发-数据科学家使用的代码和工具经常需要进行广泛的自定义，以对企业开发人员有用，并且必须进行专门修改才能大规模和实时地运行。
当AI能够访问大量计算能力和高数据带宽时，其工作效果最佳。
紧迫地开发这些低假阳性模型意味着它们通常是由数据科学家开发的，其中许多人依赖于从磁盘而不是从主内存中检索数据。由于搜索数据时的查找时间太长，这会干扰开发人员实时整理实际推理的尝试。但是，一些工具正在赶上，并且推论已开始被视为企业软件机器中的真正齿轮。
总体而言，对同时提取和处理各种数据集的更加标准化的方法的需求正在增长。一旦该行业采用了这种成熟的推理能力并选择了内存数据库，那么AI在欺诈检测中的使用将变得更加广泛。”
