Tartalom
Bemutatja: AltaML
K:
Milyen veszélyekkel jár a gépi tanulás impulzív alkalmazása?
A:
A gépi tanulás egy hatalmas új technológia - és erről sok cég beszél. Ugyanakkor nem problémamentes a megvalósítás és a vállalati gyakorlatba való integráció szempontjából. A gépi tanulással kapcsolatos számos potenciális probléma annak bonyolultságából származik, és amire szükség van egy sikeres gépi tanulási projekt felállításához. Itt van a legnagyobb buktatókat, amelyekre figyelni kell.
Az egyik dolog, ami segíthet, egy tapasztalt gépi tanulási csapat felvétele.
Az egyik legrosszabb eredmény a gépi tanulás rossz használata esetén az, amit nevezhetünk „rossz információnak”. Ez kellemetlen, amikor a gépi tanulás által biztosított döntéstámogató rendszereket kell vasalni, de sokkal komolyabb, ha alkalmazzák bármilyen missziókritikus rendszer. Nem lehet rossz bemenete, ha önálló járművet üzemeltet. Nem lehetnek rossz adatai, ha a gépi tanulási döntéseik valódi embereket érintnek. A rossz intelligencia még akkor is, ha pusztán olyan célokra használják fel, mint például a piackutatás, az elsöprítheti vállalkozását. Tegyük fel, hogy a gépi tanulási algoritmusok nem tesznek pontos és célzott választást - majd a vezetők vakon járnak együtt azzal, amit a számítógépes program határoz! Ez ténylegesen összezavarhatja az üzleti folyamatokat. A rossz ML eredmények és a rossz emberi felügyelet együttesen felveti a kockázatokat.
Egy másik kapcsolódó probléma az algoritmusok és alkalmazások rossz teljesítménye. Bizonyos esetekben a gépi tanulás alapvető szinten működhet, de nem teljesen pontos. Lehet, hogy valóban nehézkes alkalmazások vannak, komoly problémákkal, és egy hibát felsorol egy mérföld hosszú, és rengeteg időt töltenek mindent megpróbálnak kijavítani, ahol sokkal szigorúbb és funkcionálisabb projektek lehetett volna egyáltalán, gépi tanulás nélkül. Olyan, mintha megpróbálnánk egy hatalmas nagy teljesítményű motort betenni egy kompakt autóba - meg kell felelnie.
Ez a gépi tanulás természetéből adódóan egy másik jelentős problémahoz vezet bennünket - a túlteljesítő probléma. Csakúgy, mint a gépi tanulási folyamatnak meg kell felelnie az üzleti folyamatnak, az algoritmusnak meg kell felelnie a képzési adatoknak - vagy másként fogalmazva - a képzési adatoknak meg kell felelniük az algoritmusnak. A túllépés a legegyszerűbben magyarázható egy olyan kétdimenziós komplex alak példájával, mint egy nemzetállam határa. A modell illesztése azt jelenti, hogy el kell dönteni, hogy hány adatpontot helyez be. Ha csak hat vagy nyolc adatpontot használ, a szegélye sokszögnek fog kinézni. Ha 100 adatpontot használ, akkor a körvonala simább lesz. Amikor gondolkodik a gépi tanulás alkalmazásáról, meg kell választani a megfelelő illesztést. Elegendő adatpontot szeretne, hogy a rendszer jól működjön, de nem túl sok ahhoz, hogy bonyolultabbá tegye.
Az ebből eredő problémák a hatékonysággal kapcsolatosak - ha problémákba ütközik a túlfutással, az algoritmusokkal vagy a rossz teljesítményű alkalmazásokkal, akkor elveszett költségek merülnek fel. Nehéz lehet megváltoztatni a tanfolyamot, alkalmazkodni, esetleg megszabadulni a nem jól működő gépi tanulási programoktól. A jó alternatív költségek megválasztása a probléma lehet. Tehát valóban a sikeres gépi tanuláshoz vezető út néha kihívásokkal teli. Gondoljon erre, amikor megpróbálja végrehajtani a gépi tanulást egy vállalati konzolban.
