Содержание
Представлено: AltaML
Q:
Каковы некоторые из опасностей использования машинного обучения импульсивно?
A:
Машинное обучение - это новая мощная технология, о которой говорят многие компании. Тем не менее, это не без проблем с точки зрения внедрения и интеграции в корпоративные практики. Многие из потенциальных проблем с машинным обучением проистекают из его сложности и того, что нужно для создания успешного проекта машинного обучения. Вот некоторые из самых больших подводных камней, на которые стоит обратить внимание.
Одна вещь, которая может помочь, это нанять опытную команду машинного обучения, чтобы помочь.
Одним из худших результатов плохого использования машинного обучения является то, что вы могли бы назвать «плохой интеллект». Это неприятность, когда речь идет о сглаживании типов систем поддержки принятия решений, которые предоставляет машинное обучение, но это гораздо серьезнее, когда оно применяется к любой вид критически важной системы. Вы не можете иметь плохой ввод, когда вы работаете на автомобиле с самостоятельным вождением. Вы не можете иметь плохие данные, когда ваши решения машинного обучения влияют на реальных людей. Даже когда он используется исключительно для таких исследований, как исследование рынка, плохой интеллект может затопить ваш бизнес. Предположим, что алгоритмы машинного обучения не делают точного и целенаправленного выбора - и тогда руководители слепо соглашаются с тем, что решит компьютерная программа! Это действительно может испортить любой бизнес-процесс. Сочетание плохих результатов ОД и плохого человеческого контроля повышает риски.
Другая связанная проблема - плохо работающие алгоритмы и приложения. В некоторых случаях машинное обучение может работать правильно на фундаментальном уровне, но не совсем точно. У вас могут быть действительно неуклюжие приложения с обширными проблемами, и список ошибок длиной в милю, и вы потратите много времени, пытаясь исправить все, где у вас мог бы быть гораздо более жесткий и более функциональный проект без использования машинного обучения вообще. Это все равно что пытаться поместить массивный мощный двигатель в компактный автомобиль - он должен соответствовать.
Это подводит нас к еще одной серьезной проблеме с машинным обучением по своей сути - проблема переоснащения. Точно так же, как ваш процесс машинного обучения должен соответствовать вашему бизнес-процессу, ваш алгоритм должен соответствовать данным обучения - или, иначе говоря, данные обучения должны соответствовать алгоритму. Простейший способ объяснить переоснащение - на примере двумерной сложной формы, такой как граница национального государства. Подгонка модели означает решение, сколько точек данных вы собираетесь ввести. Если вы используете только шесть или восемь точек данных, ваша граница будет выглядеть как многоугольник. Если вы используете 100 точек данных, ваш контур будет выглядеть волнистым. Когда вы думаете о применении машинного обучения, вы должны выбрать правильную установку. Вам нужно достаточно точек данных, чтобы система работала хорошо, но не слишком много, чтобы усложнить задачу.
Возникающие проблемы связаны с эффективностью - если вы столкнетесь с проблемами, связанными с переоснащением, алгоритмами или плохо работающими приложениями, вам придется снизить расходы. Может быть трудно изменить курс и адаптироваться и, возможно, избавиться от программ машинного обучения, которые не идут хорошо. Бай-ин для хорошего выбора альтернативной стоимости может быть проблемой. На самом деле путь к успешному машинному обучению иногда сопряжен с трудностями. Подумайте об этом, когда пытаетесь внедрить машинное обучение в корпоративную среду.
