Sadržaj
Predstavio: AltaML
P:
Koje su neke od opasnosti upotrebe strojnog učenja impulsivno?
A:
Strojno učenje je moćna nova tehnologija - i to je nešto o čemu puno tvrtki govori. Međutim, nije problem u implementaciji i integraciji u poslovne prakse. Mnogi potencijalni problemi s strojnim učenjem potječu od njegove složenosti i potrebnog da se stvarno postavi uspješan projekt strojnog učenja. Evo nekih od najvećih zamki na koje morate paziti.
Jedna stvar koja vam može pomoći je angažiranje iskusnog tima strojnog učenja za pomoć.
Jedan od najgorih rezultata kod lošeg strojnog učenja je ono što biste mogli nazvati "lošim inteligencijama". To je smetnja kada je u pitanju glačanje vrsta sistema za podršku odlučivanju koje pruža strojno učenje, ali mnogo je ozbiljniji kada se primijeni na bilo koji sustav kritičan prema misiji. Ne možete imati loš unos kada upravljate vozilom koje se vozi samostalno. Ne možete imati loše podatke kada odluke o strojnom učenju utječu na stvarne ljude. Čak i kada se isključivo koristi za stvari poput istraživanja tržišta, loša inteligencija zaista može potonuti vaše poslovanje. Pretpostavimo da algoritmi strojnog učenja ne čine precizne i ciljane izbore - a zatim rukovoditelji slijepo slijede sve što računalni program odluči! To stvarno može pokvariti bilo koji poslovni proces. Kombinacija loših ishoda ML-a i lošeg ljudskog nadzora povećava rizike.
Drugi povezani problem je loše funkcioniranje algoritama i aplikacija. U nekim slučajevima strojno učenje može raditi ispravno na temeljnoj razini, ali ne biti u potpunosti precizno. Možda imate stvarno nezgrapne aplikacije s velikim problemima i popis grešaka dugačak kilometar, a možete potrošiti puno vremena pokušavajući ispraviti sve, gdje ste mogli imati puno čvršći i funkcionalniji projekt, a da pritom uopće ne koristite strojno učenje. To je poput pokušaja stavljanja ogromnog motora velike snage u kompaktni automobil - mora stati.
To nas dovodi do drugog velikog problema s strojnim učenjem inherentno - problema s prianjanjem. Baš kao što vaš proces strojnog učenja mora odgovarati vašem poslovnom procesu, vaš algoritam mora odgovarati podacima o treningu - ili drugačije rečeno, podaci o obuci moraju odgovarati algoritmu. Najjednostavniji način objašnjenja prekomjernog fitiniranja je na primjeru dvodimenzionalnog složenog oblika poput granice nacionalne države. Dogovaranje modela znači odlučiti koliko podatkovnih točaka ćete staviti. Ako koristite samo šest ili osam podatkovnih točaka, vaša će granica izgledati kao mnogokut. Ako koristite 100 podatkovnih točaka, kontura će vam izgledati svi tiho. Kad razmišljate o primjeni strojnog učenja, morate odabrati pravu opremu. Želite dovoljno podataka da bi sustav dobro radio, ali ne previše da bi ga složio u složenosti.
Rezultirajući problemi povezani su s učinkovitošću - ako naiđete na probleme s prekomjernim opremanjem, algoritmima ili loše izvedenim aplikacijama, imat ćete velike troškove. Bilo bi teško promijeniti kurs i prilagoditi se, a možda se riješiti programa strojnog učenja koji ne idu dobro. Doplata za dobar izbor troškova može biti problem. Zaista, put do uspješnog strojnog učenja ponekad je prepun izazova. Razmislite o tome pokušavajući implementirati strojno učenje u poduhvatu poduzeća.
