Q:
Aké sú niektoré z nebezpečenstiev impulzívneho používania strojového učenia?
A:Strojové učenie je výkonná nová technológia - o tom veľa spoločností hovorí. Nie je to však bez problémov, pokiaľ ide o implementáciu a integráciu do podnikových postupov. Mnohé z potenciálnych problémov so strojovým učením pochádzajú z jeho zložitosti a toho, čo skutočne vyžaduje úspešný projekt strojového vzdelávania. Tu sú niektoré z najväčších nástrah, na ktoré si treba dávať pozor.
Jedna vec, ktorá môže pomôcť, je najať skúseného tímu strojového učenia, ktorý by pomohol.
Jedným z najhorších výsledkov pri nesprávnom používaní strojového učenia je to, čo by ste mohli nazvať „zlými informáciami“. Toto je nepríjemnosť, pokiaľ ide o vyhladenie druhov systémov na podporu rozhodovania, ktoré poskytuje strojové učenie, ale je to omnoho vážnejšie, keď sa uplatňuje na akýkoľvek druh kritického systému. Keď prevádzkujete vozidlo s vlastným riadením, nemôžete mať zlý vstup. Keď rozhodnutia o strojovom učení ovplyvňujú skutočných ľudí, nemôžete mať zlé údaje. Aj keď sa používa výlučne na prieskum trhu, môže zlá inteligencia skutočne potopiť vašu firmu. Predpokladajme, že algoritmy strojového učenia nerobia presné a cielené rozhodnutia - a potom vedúci pracovníci slepo chodia s tým, čo počítačový program rozhodne! To môže skutočne zkaziť akýkoľvek obchodný proces. Kombinácia zlých výsledkov ML a slabého ľudského dohľadu predstavuje riziká.
Ďalším súvisiacim problémom je nedostatočné vykonávanie algoritmov a aplikácií. V niektorých prípadoch môže strojové učenie fungovať priamo na základnej úrovni, ale nemusí byť úplne presné. Mohli by ste mať skutočne neohrabané aplikácie s rozsiahlymi problémami a zoznamom chýb dlhý kilometer a tráviť veľa času pokusom o opravu všetkého, kde ste mohli mať omnoho prísnejší a funkčnejší projekt bez toho, aby ste sa vôbec učili strojom. Je to ako pokúsiť sa dať do kompaktného auta obrovský vysokovýkonný motor - musí sa zmestiť.
To nás privádza k ďalšiemu veľkému problému strojového učenia - problému s nadmerným prispôsobovaním. Rovnako ako váš strojový proces učenia musí zodpovedať vášmu obchodnému procesu, aj váš algoritmus musí zodpovedať školiacim údajom - alebo aby som to povedal inak, školiace údaje musia zodpovedať algoritmu. Najjednoduchší spôsob, ako vysvetliť nadmerné vybavenie, je na príklade dvojrozmerného komplexného tvaru, ako je hranica národného štátu. Prispôsobenie modelu znamená rozhodnutie o tom, koľko dátových bodov chcete vložiť. Ak použijete iba šesť alebo osem údajových bodov, vaša hranica bude vyzerať ako mnohouholník. Ak použijete 100 údajových bodov, váš obrys bude vyzerať dokonale. Keď uvažujete o použití strojového učenia, musíte si vybrať tú správnu. Chcete mať dostatok dátových bodov, aby systém fungoval dobre, ale nie príliš veľa na to, aby ste ho komplexne zladili.
Výsledné problémy súvisia s efektívnosťou - ak narazíte na problémy s nadmerným prispôsobovaním, algoritmami alebo nedostatočne výkonnými aplikáciami, budete mať utopené náklady. Môže byť ťažké zmeniť kurz a prispôsobiť sa a možno sa zbaviť programov strojového vzdelávania, ktoré nie sú v poriadku. Problém môže byť nákup za dobrú cenu. Takže cesta k úspešnému strojovému učeniu je niekedy plná výziev. Premýšľajte o tom, keď sa snažíte implementovať strojové učenie v podnikovom kontexte.
