Съдържание
Представено от: AltaML
Q:
Какви са някои от опасностите от използването на машинно обучение импулсивно?
A:
Машинното обучение е мощна нова технология - и е нещо, за което много компании говорят. Това обаче не е без проблеми по отношение на внедряването и интегрирането в корпоративните практики. Много от потенциалните проблеми с машинното обучение идват от сложността му и от необходимото, за да се създаде наистина успешен проект за машинно обучение. Ето някои от най-големите клопки, за които трябва да внимавате.
Едно нещо, което може да помогне, е наемането на опитен екип за машинно обучение, който да помогне.
Един от най-лошите резултати при лошото използване на машинното обучение е това, което може да наречете „лош интелект“. Това е неудобство, когато става въпрос за гладене на видовете системи за подкрепа на решения, които машинното обучение предоставя, но е много по-сериозно, когато се прилага към всякакви критични за мисията системи. Не можете да имате лоши данни, когато управлявате превозно средство със самостоятелно управление. Не можете да имате лоши данни, когато решенията ви за машинно обучение засягат реални хора. Дори когато се използва чисто за неща като пазарни изследвания, лошият интелект наистина може да потопи бизнеса ви. Да предположим, че алгоритмите за машинно обучение не правят точен и целенасочен избор - и тогава ръководителите продължават сляпо с каквото реши компютърната програма! Това наистина може да обърка всеки бизнес процес. Комбинацията от лоши резултати от МЛ и лош човешки надзор повишава рисковете.
Друг свързан проблем е лошото изпълнение на алгоритми и приложения. В някои случаи машинното обучение може да работи правилно на фундаментално ниво, но не е напълно прецизно. Може да имате наистина тромави приложения с големи проблеми и списък с грешки дълъг километър и прекарвате много време в опити да коригирате всичко, където бихте могли да имате много по-строг и функционален проект, без изобщо да използвате машинно обучение. Все едно се опитвате да поставите масивен двигател с висока мощност в компактен автомобил - трябва да пасне.
Това ни отвежда до друг основен проблем с присъщото машинно обучение - проблемът с прекомерното приспособяване. Точно както вашият процес на машинно обучение трябва да отговаря на вашия бизнес процес, така и вашият алгоритъм трябва да съответства на данните за обучение - или казано по друг начин, данните за обучение трябва да отговарят на алгоритъма. Най-простият начин да се обясни препълването е с примера на двуизмерна сложна форма като границата на национална държава. Поставянето на модел означава да решите колко точки от данни ще поставите. Ако използвате само шест или осем точки от данни, вашата граница ще изглежда като многоъгълник. Ако използвате 100 точки от данни, контурът ви ще изглежда съвсем небрежно. Когато мислите за прилагане на машинно обучение, трябва да изберете подходящия монтаж. Искате достатъчно точки от данни, за да накарате системата да работи добре, но не твърде много, за да я заличите по сложност.
Произтичащите проблеми са свързани с ефективността - ако срещнете проблеми с преоборудването, алгоритмите или с лошо изпълнение на приложения, ще имате големи разходи. Може да е трудно да промените курса и да се адаптирате и може би ще се отървете от програми за машинно обучение, които не вървят добре. Входът за добър избор на възможни разходи може да бъде проблем. Така че наистина пътят към успешно машинно обучение понякога е изпълнен с предизвикателства. Помислете за това, когато се опитвате да внедрите машинно обучение в предприятие.
