Sisu
Esitanud: AltaML
K:
Millised on masinõppe impulsiivse kasutamise ohud?
A:
Masinõpe on võimas uus tehnoloogia - ja see on asi, millest paljud ettevõtted räägivad. Kuid see pole ka probleemideta rakendamisel ja ettevõtte tavadesse integreerimisel. Paljud masinõppega seotud võimalikud probleemid tulenevad selle keerukusest ja sellest, mida on vaja eduka masinõppe projekti loomiseks. Siin on mõned suurimad lõksud, mida tasub tähele panna.
Üks asi, mis võib aidata, on kogenud masinõppe meeskonna palkamine.
Üks halvimaid tulemusi masinõppe halva kasutamise korral on see, mida võite nimetada „halvaks teemaks”. See on ebameeldiv, kui asi puudutab masinõppe pakutavate otsuste tugisüsteemide triikimist, kuid see on palju tõsisem, kui seda rakendada mis tahes missioonikriitiline süsteem. Isesõitvat sõidukit juhtides ei saa halb sisend olla. Kui masinõppe otsused mõjutavad reaalseid inimesi, ei saa teil olla halbu andmeid. Isegi kui seda kasutatakse puhtalt turu-uuringute jaoks, võib halb intelligentsus teie ettevõtte tõesti uputada. Oletame, et masinõppe algoritmid ei tee täpseid ja sihipäraseid valikuid - ja siis lähevad juhid pimesi mööda kõigest, mida arvutiprogramm otsustab! See võib tõesti kõik äriprotsessid segadusse ajada. Viletsate ML tulemuste ja halva inimjärelevalve kombinatsioon tekitab riske.
Teine seotud probleem on algoritmide ja rakenduste halb toimimine. Mõnel juhul võib masinõpe toimida põhimõtteliselt õigesti, kuid mitte täielikult täpsena. Võimalik, et teil on tõesti raskete probleemidega rakendusi ja vigade loendit kilomeetri pikkune ning kulutate palju aega kõigi parandamiseks, kui teil oleks võinud olla palju tihedam ja funktsionaalsem projekt ilma masinõpet kasutamata. See on nagu proovida kompaktsesse autosse panna massiivne suure hobujõuga mootor - see peab sobima.
See viib meid juba olemuselt masinaõppega seotud suure probleemini - üleliigse paigaldamise probleemini. Nii nagu teie masinõppe protsess peab sobima teie äriprotsessiga, peab teie algoritm sobima koolitusandmetega - või teisiti öeldes - koolituse andmed peavad vastama algoritmile. Lihtsaim viis ületäitumise selgitamiseks on kahemõõtmelise keeruka kuju näide, näiteks rahvusriigi piir. Mudeli sobitamine tähendab otsustamist, kui palju andmepunkte te sisestate. Kui kasutate ainult kuut või kaheksat andmepunkti, näeb teie piir välja nagu hulknurk. Kui kasutate 100 andmepunkti, näeb teie kontuur kõik õrnalt välja. Masinõppe kohaldamisel mõeldes peate valima õige kinnituse. Soovite piisavalt andmepunkte, et süsteem hästi töötaks, kuid mitte liiga palju, et seda keerukaks muuta.
Sellega seotud probleemid on seotud efektiivsusega - kui teil on probleeme ülekomplekteerimise, algoritmide või halvasti toimivate rakendustega, on teil kulutused vähenenud. Kursuse muutmine ja kohanemine võib olla keeruline ning võib-olla vabaneda masinõppeprogrammidest, mis ei lähe hästi. Probleemiks võib osutuda sisseostuvõimalus hea alternatiivkulu valiku korral. Nii et tõesti tee eduka masinõppe poole on mõnikord täis väljakutseid. Mõelge sellele, kui proovite ettevõttes masinõpet rakendada.
