Conţinut
Prezentat de: AltaML
Î:
Care sunt unele dintre pericolele folosirii impulsive a învățării automate?
A:
Învățarea automată este o tehnologie puternică nouă și este ceva despre care vorbesc multe companii. Cu toate acestea, nu este lipsit de problemele sale în ceea ce privește implementarea și integrarea în practicile întreprinderii. Multe dintre problemele potențiale ale învățării automate provin din complexitatea acesteia și din ceea ce este nevoie pentru a înființa într-adevăr un proiect de succes în învățarea mașinii. Iată câteva dintre cele mai mari capcane pentru care trebuie să aveți grijă.
Un lucru care vă poate ajuta este angajarea unei echipe experimentate de învățare a mașinilor pentru a vă ajuta.
Unul dintre cele mai grave rezultate în ceea ce privește utilizarea slabă a învățării la mașini este ceea ce ați putea numi „inteligență proastă”. Aceasta este o problemă atunci când vine vorba de ironizarea tipurilor de sisteme de asistență decizională pe care le oferă învățarea automată, dar este mult mai grav atunci când este aplicat la orice fel de sistem critic pentru misiune. Nu puteți avea o intrare necorespunzătoare atunci când operați un autovehicul. Nu puteți avea date proaste atunci când deciziile dvs. de învățare a mașinii afectează oameni reali. Chiar și atunci când este utilizat pur și simplu pentru lucruri precum cercetarea de piață, informațiile rele pot să îți afunde cu adevărat afacerea. Să presupunem că algoritmii de învățare automată nu fac alegeri precise și direcționate - și apoi directorii merg împreună cu orbește cu orice decide programul de calculator! Acest lucru poate încurca cu adevărat orice proces de afaceri. Combinația dintre rezultatele slabe ale ML și supravegherea umană slabă crește riscuri.
O altă problemă conexă este algoritmii și aplicațiile slab performante. În unele cazuri, învățarea mașină ar putea funcționa corect la un nivel fundamental, dar nu este în întregime precisă. S-ar putea să aveți aplicații cu adevărat neplăcut, cu probleme extinse și să aveți o listă de erori la o lungime de o milă și să petreceți mult timp încercând să corectați totul, unde ați fi putut avea un proiect mult mai strâns și mai funcțional, fără a folosi deloc învățarea mașinii. Este ca și cum ai încerca să introduci un motor masiv de mare putere, într-o mașină compactă - trebuie să se potrivească.
Aceasta ne aduce la o altă problemă majoră cu învățarea mașinii în mod inerent - problema de adaptare. La fel cum procesul de învățare a mașinilor trebuie să se potrivească procesului dvs. de afaceri, algoritmul dvs. trebuie să se potrivească cu datele de instruire - sau, pe alte cuvinte, datele de instruire trebuie să se încadreze în algoritm. Cea mai simplă modalitate de a explica supra-montarea este cu exemplul unei forme complexe bidimensionale precum granița unui stat-națiune. Montarea unui model înseamnă să decideți câte puncte de date veți introduce. Dacă utilizați doar șase sau opt puncte de date, granița dvs. va arăta ca un poligon. Dacă folosești 100 de puncte de date, conturul tău va arăta complet îngrozitor. Când vă gândiți să aplicați învățarea la mașini, trebuie să alegeți o potrivire potrivită. Doriți suficiente puncte pentru a face sistemul să funcționeze bine, dar nu prea mulți pentru a-l reduce în complexitate.
Problemele care rezultă au legătură cu eficiența - dacă aveți probleme cu adaptarea, algoritmii sau aplicațiile slab performante, veți avea costuri reduse. Poate fi greu să schimbi cursul și să te adaptezi și poate scapi de programele de învățare automată care nu merg bine. Cumpararea pentru alegerea costurilor cu oportunități bune poate fi o problemă. Deci, într-adevăr, calea către învățarea automată de succes este uneori plină de provocări. Gândiți-vă la acest lucru atunci când încercați să implementați învățarea automată într-o întreprindere.
