Ερ:
Ποιοι είναι μερικοί από τους κινδύνους που ενέχει η χρήση της μηχανικής μάθησης με ενθουσιασμό;
ΕΝΑ:Η μηχανική μάθηση είναι μια ισχυρή νέα τεχνολογία - και είναι κάτι που μιλάμε για πολλές εταιρείες. Ωστόσο, δεν είναι χωρίς τα προβλήματά της όσον αφορά την εφαρμογή και την ένταξη στις επιχειρηματικές πρακτικές. Πολλά από τα πιθανά προβλήματα με την εκμάθηση μηχανών προέρχονται από την πολυπλοκότητά της και από το τι χρειάζεται για να δημιουργηθεί ένα επιτυχημένο πρόγραμμα εκμάθησης μηχανών. Εδώ είναι μερικές από τις μεγαλύτερες παγίδες που πρέπει να προσέξετε.
Ένα πράγμα που μπορεί να βοηθήσει είναι να προσλάβει μια έμπειρη ομάδα εκμάθησης μηχανών για να βοηθήσει.
Ένα από τα χειρότερα αποτελέσματα στη χρήση της μηχανικής μάθησης είναι κακό αυτό που θα μπορούσατε να ονομάσετε "κακή πληροφορία". Αυτή είναι μια ενόχληση όταν πρόκειται να σβήσει τα συστήματα στήριξης αποφάσεων που παρέχει η μηχανική μάθηση, αλλά είναι πολύ πιο σοβαρό όταν εφαρμόζεται κάθε είδους κρίσιμης σημασίας σύστημα. Δεν μπορείτε να έχετε κακή είσοδο όταν εκτελείτε αυτοκινούμενο όχημα. Δεν μπορείτε να έχετε κακά δεδομένα όταν οι αποφάσεις εκμάθησης μηχανών σας επηρεάζουν πραγματικούς ανθρώπους. Ακόμη και όταν χρησιμοποιείται καθαρά για πράγματα όπως η έρευνα αγοράς, η κακή νοημοσύνη μπορεί πραγματικά να βυθίσει την επιχείρησή σας. Ας υποθέσουμε ότι οι αλγόριθμοι μάθησης μηχανών δεν κάνουν ακριβείς και στοχοθετημένες επιλογές - και στη συνέχεια τα στελέχη πηγαίνουν τυφλά με ό, τι αποφασίζει το πρόγραμμα υπολογιστή! Αυτό μπορεί πραγματικά να βλάψει οποιαδήποτε επιχειρηματική διαδικασία. Ο συνδυασμός των ανεπαρκών αποτελεσμάτων ML και της κακής ανθρώπινης επιτήρησης εγείρει κινδύνους.
Ένα άλλο σχετικό πρόβλημα είναι οι αλγόριθμοι και οι εφαρμογές που έχουν χαμηλή απόδοση. Σε ορισμένες περιπτώσεις, η εκμάθηση μηχανών μπορεί να λειτουργήσει σωστά σε ένα θεμελιώδες επίπεδο, αλλά να μην είναι απολύτως ακριβής. Μπορεί να έχετε πραγματικά παρωχημένες εφαρμογές με εκτεταμένα προβλήματα και μια λίστα με σφάλματα σε μήκος ενός μιλίου και να περάσετε πολύ χρόνο προσπαθώντας να διορθώσετε τα πάντα, όπου θα μπορούσατε να έχετε ένα πολύ πιο σφιχτό και πιο λειτουργικό έργο χωρίς να χρησιμοποιήσετε καθόλου μηχανική μάθηση. Είναι σαν να προσπαθείτε να βάλετε μια τεράστια μηχανή υψηλής ισχύος σε ένα συμπαγές αυτοκίνητο - πρέπει να ταιριάζει.
Αυτό μας φέρνει σε ένα άλλο μεγάλο πρόβλημα με την μηχανική μάθηση εγγενώς - το πρόβλημα υπερκατασκευής. Ακριβώς όπως η διαδικασία εκμάθησης της μηχανής σας πρέπει να ταιριάζει με την επιχειρησιακή σας διαδικασία, ο αλγόριθμός σας πρέπει να ταιριάζει με τα δεδομένα εκπαίδευσης - ή να το θέσει με άλλο τρόπο, τα δεδομένα εκπαίδευσης πρέπει να ταιριάζουν στον αλγόριθμο. Ο απλούστερος τρόπος να εξηγηθεί η υπερφόρτωση είναι με το παράδειγμα ενός δισδιάστατου περίπλοκου σχήματος όπως τα σύνορα ενός έθνους-κράτους. Η τοποθέτηση ενός μοντέλου σημαίνει να αποφασίσετε πόσα σημεία δεδομένων πρόκειται να βάλετε. Εάν χρησιμοποιείτε μόνο έξι ή οκτώ σημεία δεδομένων, τα σύνορά σας θα μοιάζουν με πολύγωνο. Εάν χρησιμοποιείτε 100 σημεία δεδομένων, το περίγραμμα σας θα κοιτάξει όλοι ακανόνιστα. Όταν σκέφτεστε για την εφαρμογή της μηχανικής μάθησης, πρέπει να επιλέξετε το σωστό εξάρτημα. Θέλετε αρκετά σημεία δεδομένων για να καταστήσετε το σύστημα λειτουργικό, αλλά όχι πάρα πολλά για να το βάζετε σε πολυπλοκότητα.
Τα προκύπτοντα προβλήματα έχουν να κάνουν με την αποτελεσματικότητα - εάν αντιμετωπίζετε προβλήματα με υπερφόρτωση, αλγόριθμους ή εφαρμογές με χαμηλή απόδοση, θα έχετε κόστος. Μπορεί να είναι δύσκολο να αλλάξετε πορεία και να προσαρμόσετε και ίσως να απαλλαγείτε από τα προγράμματα μηχανικής μάθησης που δεν πηγαίνουν καλά. Το buy-in για καλές επιλογές κόστους ευκαιρίας μπορεί να είναι ένα ζήτημα. Έτσι, πραγματικά, η πορεία προς την επιτυχή μηχανική μάθηση είναι μερικές φορές γεμάτη προκλήσεις. Σκεφτείτε αυτό όταν προσπαθείτε να εφαρμόσετε την εκμάθηση μηχανών σε ένα επιχειρηματικό πλαίσιο.
