Vsebina
Predstavil: AltaML
V:
Kakšne so nevarnosti impulzivne uporabe strojnega učenja?
A:
Strojno učenje je močna nova tehnologija - in o njej govorijo številne družbe. Vendar pa to ni brez težav pri izvajanju in vključevanju v podjetniške prakse. Številne potencialne težave pri strojnem učenju izvirajo iz njegove zapletenosti in potrebnega, da se resnično ustanovi uspešen projekt strojnega učenja. Tu je nekaj največjih pasti, na katere morate biti pozorni.
Ena stvar, ki lahko pomaga, je najem izkušene ekipe za strojno učenje.
Eden najslabših rezultatov pri slabi uporabi strojnega učenja je tisto, kar bi lahko imenovali "slaba inteligenca". To je nadloga, ko gre za likanje vrst sistemov za podporo odločanju, ki jih nudi strojno učenje, vendar je veliko resnejši, kadar se uporablja za vse vrste kritičnega sistema. Pri upravljanju samovozečega vozila ne morete imeti slabih podatkov. Ne morete imeti slabih podatkov, ko odločitve o strojnem učenju vplivajo na resnične ljudi. Tudi če se izključno uporablja za stvari, kot so tržne raziskave, lahko slaba inteligenca resnično potopi vaše podjetje. Predpostavimo, da algoritmi strojnega učenja ne izbirajo natančno in ciljno usmerjeno - nato pa se vodstveni delavci slepo odločijo za računalniški program! To lahko resnično zmede vsak poslovni proces. Kombinacija slabih rezultatov ML in slabega človeškega nadzora povečuje tveganja.
Druga povezana težava je slabo delovanje algoritmov in aplikacij. V nekaterih primerih lahko strojno učenje deluje na temeljni ravni, vendar ne bo povsem natančno. Morda imate res nerodne aplikacije z obsežnimi težavami in hroščev naštejete kilometer dolgo in porabite veliko časa, da bi popravili vse, kjer bi lahko imeli veliko bolj strog in funkcionalen projekt, ne da bi sploh uporabljali strojno učenje. To je tako, kot da bi v kompaktni avtomobil spravili masivni motor z velikimi konjskimi močmi - to mora ustrezati.
To nas pripelje do še ene večje težave s samim strojnim učenjem - težave s prekomerno opremljenostjo. Tako kot mora vaš proces strojnega učenja ustrezati vašemu poslovnemu procesu, tudi vaš algoritem mora ustrezati podatkom o usposabljanju - ali povedano drugače, tudi podatki o usposabljanju morajo ustrezati algoritmu. Najpreprostejši način razlage prekomernega opremljanja je s primerom dvodimenzionalne zapletene oblike, kot je meja nacionalne države. Namestitev modela pomeni odločitev, koliko podatkovnih točk boste vnesli. Če uporabljate samo šest ali osem podatkovnih točk, bo vaša meja videti kot poligon. Če uporabljate 100 podatkovnih točk, bo vaša kontura videti vse tiho. Ko razmišljate o uporabi strojnega učenja, morate izbrati pravo prileganje. Želite dovolj podatkovnih točk, da bi sistem dobro deloval, vendar ne preveč, da bi ga zakomplicirali.
Težave, ki izhajajo iz tega, so povezane z učinkovitostjo - če imate težave s prekomerno opremljenostjo, algoritmi ali slabo izvedljivimi aplikacijami, boste imeli velike stroške. Težko je spremeniti tečaj in se prilagoditi in se morda znebiti programov strojnega učenja, ki ne gredo dobro. Vključitev za dober nakup stroškov za priložnost je lahko težava. Res je, pot do uspešnega strojnega učenja je včasih polna izzivov. Razmislite o tem, ko poskušate izvesti strojno učenje v podjetju.
