Садржај
Представио: АлтаМЛ
П:
Које су неке од опасности импулсивне употребе машинског учења?
А:
Машинско учење је нова моћна технологија - и то је нешто о чему многе компаније причају. Међутим, то није без проблема у погледу примене и интеграције у пословне праксе. Многи потенцијални проблеми са машинским учењем потичу од његове сложености и онога што је потребно да би се заиста покренуо успешан пројекат машинског учења. Ево неких од највећих замки на које морате пазити.
Једна ствар која може да помогне је ангажовање искусног тима за машинско учење да помогне.
Један од најгорих резултата код лошег машинског учења је оно што бисте могли назвати „лошим информацијама“. Ово је сметња када је у питању пеглање врста система за подршку одлучивању које машинско учење пружа, али много је озбиљнији када се примењује на било који систем критичан за мисију. Не можете имати лош унос када управљате аутомобилом које се вози. Не можете имати лоше податке када одлуке о машинском учењу утичу на стварне људе. Чак и када се искључиво користи за ствари попут истраживања тржишта, лоша интелигенција заиста може потонути ваше пословање. Претпоставимо да алгоритми машинског учења не доносе прецизне и циљане изборе - а затим руководиоци слепо слиједе све шта компјутерски програм одлучи! То заиста може покварити било који пословни процес. Комбинација лоших исхода МЛ-а и лошег људског надзора повећава ризике.
Други повезани проблем је лоше извршење алгоритама и апликација. У неким случајевима машинско учење може радити исправно на основном нивоу, али не бити у потпуности прецизно. Можда имате заиста неспретне апликације са обимним проблемима и листу грешака дугу миљу и трошите много времена покушавајући да исправите све, где сте могли да имате много чвршћи и функционалнији пројекат, а да уопште нисте користили машинско учење. То је попут покушаја да се у компактни аутомобил стави огроман мотор великих снага - он мора да стане.
То нас доводи до другог великог проблема са својственим машинским учењем - проблема с прекомерним уградњом. Баш као што ваш процес машинског учења мора одговарати вашем пословном процесу, тако и ваш алгоритам мора одговарати подацима о тренингу - или другачије речено, подаци о обуци морају одговарати алгоритму. Најједноставнији начин да се објасни прекомерно уклапање је на примеру дводимензионалног сложеног облика попут границе једне националне државе. Уклапање модела значи да одлучујете колико податковних тачака ћете ставити. Ако користите само шест или осам тачака података, ваша граница ће изгледати као полигон. Ако користите 100 тачака података, ваша контура ће изгледати све тихо. Када размишљате о примени машинског учења, морате да одаберете одговарајући фитиљ. Желите довољно података да би систем добро функционисао, али не превише да би га сложио у сложености.
Проблеми који резултирају имају везе са ефикасношћу - ако наиђете на проблеме са прекомерном опремом, алгоритмима или неквалитетним апликацијама, имаћете велике трошкове. Може бити тешко променити курс и прилагодити се, а можда се и ослободити програма машинског учења који не иду добро. Доплата за добар избор трошкова може бити проблем. Заиста, пут ка успешном машинском учењу понекад је препун изазова. Размислите о томе када покушавате да примените машинско учење у предузећу.
