Zawartość
Przedstawione przez: AltaML
P:
Jakie są zagrożenia związane z impulsywnym korzystaniem z uczenia maszynowego?
ZA:
Uczenie maszynowe to nowa, potężna technologia - o której mówi wiele firm. Nie jest jednak pozbawione problemów związanych z wdrażaniem i integracją z praktykami przedsiębiorstwa. Wiele potencjalnych problemów związanych z uczeniem maszynowym wynika z jego złożoności i tego, czego potrzeba, aby naprawdę stworzyć udany projekt uczenia maszynowego. Oto niektóre z największych pułapek, na które należy uważać.
Jedną z rzeczy, które mogą pomóc, jest zatrudnienie doświadczonego zespołu uczącego się maszyn.
Jednym z najgorszych rezultatów złego korzystania z uczenia maszynowego jest to, co można nazwać „złym wywiadem”. Jest to uciążliwe, jeśli chodzi o wyodrębnianie systemów wspomagania decyzji, które zapewnia uczenie maszynowe, ale jest znacznie poważniejsze, gdy stosuje się je do każdy rodzaj systemu o znaczeniu krytycznym. Nie możesz mieć złych danych wejściowych podczas prowadzenia pojazdu z własnym samochodem. Nie możesz mieć złych danych, gdy decyzje dotyczące uczenia maszynowego wpływają na prawdziwych ludzi. Nawet jeśli jest wykorzystywany wyłącznie do badań rynkowych, zła inteligencja może naprawdę zatopić Twój biznes. Załóżmy, że algorytmy uczenia maszynowego nie dokonują precyzyjnych i ukierunkowanych wyborów - a następnie kierownictwo ślepo postępuje zgodnie z decyzjami programu komputerowego! To może naprawdę zepsuć każdy proces biznesowy. Połączenie słabych wyników ML i słabego nadzoru ludzi podnosi ryzyko.
Innym powiązanym problemem są słabo działające algorytmy i aplikacje. W niektórych przypadkach uczenie maszynowe może działać poprawnie na podstawowym poziomie, ale nie może być całkowicie precyzyjne. Być może masz naprawdę niezgrabne aplikacje z dużymi problemami i listą błędów o długości mili, i spędzasz dużo czasu próbując naprawić wszystko, gdzie mógłbyś mieć o wiele ściślejszy i bardziej funkcjonalny projekt bez korzystania z uczenia maszynowego. To jak próba włożenia potężnego silnika o dużej mocy do kompaktowego samochodu - musi pasować.
To prowadzi nas do kolejnego poważnego problemu związanego z uczeniem maszynowym - problemu nadmiernego dopasowania. Podobnie jak proces uczenia maszynowego musi pasować do procesu biznesowego, algorytm musi pasować do danych szkoleniowych - lub inaczej mówiąc, dane szkoleniowe muszą pasować do algorytmu. Najprostszym sposobem wyjaśnienia nadmiernego dopasowania jest przykład dwuwymiarowego złożonego kształtu, takiego jak granica państwa narodowego. Dopasowanie modelu oznacza decyzję, ile punktów danych zamierzasz umieścić. Jeśli użyjesz tylko sześciu lub ośmiu punktów danych, twoja granica będzie wyglądać jak wielokąt. Jeśli użyjesz 100 punktów danych, twój kontur będzie wyglądał na zawiły. Kiedy myślisz o zastosowaniu uczenia maszynowego, musisz wybrać odpowiednie dopasowanie. Chcesz mieć wystarczającą liczbę punktów danych, aby system działał dobrze, ale nie zbyt wiele, aby go skomplikować.
Wynikające z tego problemy mają związek z wydajnością - jeśli napotkasz problemy z nadmiernym dopasowaniem, algorytmami lub słabo działającymi aplikacjami, poniesiesz koszty. Zmiana kursu i adaptacja może być trudna, a może pozbyć się programów uczenia maszynowego, które nie idą dobrze. Problemem może być wpisowe na dobry wybór kosztów alternatywnych. Tak naprawdę ścieżka do skutecznego uczenia maszynowego jest czasem pełna wyzwań. Pomyśl o tym, próbując wdrożyć uczenie maszynowe w systemie korporacyjnym.
