Innehåll
Presenterat av: AltaML
F:
Vilka är några av farorna med att använda maskininlärning impulsivt?
A:
Maskininlärning är en kraftfull ny teknik - och det är något som många företag pratar om. Det är emellertid inte utan dess problem när det gäller implementering och integration i företagspraxis. Många av de potentiella problemen med maskininlärning kommer från dess komplexitet och vad som krävs för att verkligen inrätta ett framgångsrikt maskininlärningsprojekt. Här är några av de största fallgroparna att se upp för.
En sak som kan hjälpa är att anställa ett erfaret maskininlärningsteam som hjälp.
Ett av de värsta resultaten i att använda maskininlärning dåligt är vad du kan kalla ”dålig intel.” Detta är en olägenhet när det gäller att stryka ut de typer av beslutssupportsystem som maskininlärning ger, men det är mycket mer allvarligt när det tillämpas på alla slags uppdragskritiska system. Du kan inte ha dåliga insatser när du använder ett självkörande fordon. Du kan inte ha dåliga data när dina maskininlärningsbeslut påverkar riktiga människor. Även när det bara används för saker som marknadsundersökningar, kan dålig intelligens verkligen sjunka ditt företag. Anta att maskininlärningsalgoritmer inte gör exakta och riktade val - och sedan följer chefer blindt med vad datorprogrammet beslutar! Det kan verkligen krossa alla affärsprocesser. Kombinationen av dåliga ML-resultat och dåligt mänskligt tillsyn medför risker.
Ett annat relaterat problem är dåliga algoritmer och applikationer. I vissa fall kan maskininlärningen fungera rätt på en grundläggande nivå, men inte vara helt exakt. Du kanske har riktigt klumpiga applikationer med omfattande problem och en fellista en mil lång, och spenderar mycket tid på att försöka korrigera allt, där du kan ha haft ett mycket tätare och mer funktionellt projekt utan att använda maskinlärande alls. Det är som att försöka sätta en massiv motor med hög hästkrafter i en kompakt bil - den måste passa.
Det leder oss till ytterligare ett stort problem med maskininlärning i sig - överanpassningsproblemet. Precis som din maskininlärningsprocess måste passa i din affärsprocess, måste din algoritm passa in i träningsdata - eller för att uttrycka det på ett annat sätt måste träningsdata passa algoritmen. Det enklaste sättet att förklara övermontering är med exemplet på en tvådimensionell komplex form som gränsen till en nationstat. Montering av en modell innebär att bestämma hur många datapunkter du ska lägga in. Om du bara använder sex eller åtta datapunkter kommer din gräns att se ut som en polygon. Om du använder 100 datapunkter, kommer konturen att se all skvett ut. När du funderar på att tillämpa maskininlärning måste du välja rätt montering. Du vill ha tillräckligt med datapunkter för att systemet ska fungera bra, men inte för många för att slå samman det i komplexitet.
Resulterande problem har att göra med effektivitet - om du stöter på problem med övermontering, algoritmer eller applikationer med dåligt resultat, kommer du att ha sänkta kostnader. Det kan vara svårt att ändra kurs och anpassa sig och kanske bli av med maskininlärningsprogram som inte går bra. Inköp för val av bra möjligheter kan vara ett problem. Så verkligen är vägen mot framgångsrikt maskininlärning ibland full av utmaningar. Tänk på detta när du försöker implementera maskininlärning i ett företagskontor.
