Зміст
Представлено: AltaML
Q:
Які існують небезпеки використання машинного навчання імпульсивно?
A:
Машинне навчання - це нова потужна нова технологія - і це те, про що багато компаній говорять. Однак це не без проблем щодо впровадження та інтеграції у практику підприємства. Багато потенційних проблем з машинним навчанням випливають із його складності та того, що потрібно, щоб дійсно створити успішний проект машинного навчання. Ось декілька найбільших підводних каменів, на які слід стежити.
Одне, що може допомогти - це найняти досвідчену команду машинного навчання.
Один з найгірших результатів при поганому використанні машинного навчання - це те, що ви можете назвати «поганим інтелектом». Це неприємність, якщо мова йде про прасування тих систем підтримки прийняття рішень, які надає машинне навчання, але це набагато серйозніше, коли це застосовується до будь-яка система критичної місії Ви не можете мати поганий вхід, коли керуєте автотранспортом. Ви не можете мати погані дані, коли ваші рішення машинного навчання впливають на реальних людей. Навіть коли це суто використовується для таких речей, як дослідження ринку, поганий інтелект може насправді затопити ваш бізнес. Припустимо, алгоритми машинного навчання не роблять точного та цілеспрямованого вибору - і тоді керівники сліпо йдуть разом із тим, що вирішить комп'ютерна програма! Це дійсно може зіпсувати будь-який бізнес-процес. Поєднання поганих результатів ПЗ та поганого нагляду за людьми підвищує ризики.
Ще одна пов'язана проблема - неякісне виконання алгоритмів та програм. У деяких випадках машинне навчання може працювати правильно на фундаментальному рівні, але не бути цілком точним. Можливо, у вас є справді незграбні програми з великими проблемами, і помилка перераховує милю в довжину, і витрачаєте багато часу, намагаючись виправити все, де ви могли б мати набагато більш жорсткий і функціональний проект, не використовуючи машинного навчання взагалі. Це як спробувати помістити в компактний автомобіль масивний двигун високої потужності - він повинен вміститися.
Це приводить нас до іншої основної проблеми з машинним навчанням по суті - проблемою накладання. Подібно до того, як ваш процес машинного навчання повинен відповідати вашому бізнес-процесу, ваш алгоритм повинен відповідати навчальним даним - або, кажучи іншим чином, дані навчання повинні відповідати алгоритму. Найпростіший спосіб пояснити надмірний приклад - це на прикладі двовимірної складної форми, як кордону національної держави. Встановлення моделі означає визначити, скільки точок даних ви збираєтеся поставити. Якщо ви використовуєте лише шість-вісім точок даних, ваша межа буде мати вигляд багатокутника. Якщо ви використовуєте 100 точок даних, ваш контур буде виглядати все чітко. Коли ви думаєте про застосування машинного навчання, ви повинні вибрати правильну підгонку. Вам потрібно достатньо точок даних, щоб система працювала добре, але не надто багато, щоб загробити її складністю.
Виникаючі проблеми пов'язані з ефективністю - якщо у вас виникнуть проблеми з надмірним обладнанням, алгоритмами або неякісними програмами, ви матимете затратні витрати. Це може важко змінити курс та адаптуватися, а можливо, позбутися програм машинного навчання, які не йдуть добре. Придбання для гарного вибору можливих витрат може стати проблемою. Тож насправді шлях до успішного машинного навчання іноді загрожує проблемами. Подумайте над цим, намагаючись впровадити машинне навчання у підприємстві.
