Obsah
Prezentuje: AltaML
Q:
Jaká jsou některá z nebezpečí, která mohou strojové učení impulzivně využít?
A:
Strojové učení je výkonná nová technologie - a je to něco, o čem mnoho společností mluví. Není to však bez problémů, pokud jde o implementaci a integraci do podnikových praktik. Mnoho potenciálních problémů se strojovým učením pramení z jeho složitosti a toho, co je potřeba k tomu, aby se skutečně vytvořil úspěšný projekt strojového učení. Zde jsou některé z největších nástrah, na které si musíte dát pozor.
Jedna věc, která může pomoci, je najmout zkušeného týmu strojového učení, aby mu pomohl.
Jedním z nejhorších výsledků při špatném používání strojového učení je to, čemu byste mohli říkat „špatná inteligence“. To je nepříjemnost, pokud jde o žehlení druhů systémů podpory rozhodování, které strojové učení poskytuje, ale je to mnohem závažnější, když je aplikováno na jakýkoli druh kritického systému. Když provozujete vozidlo s vlastním řízením, nemůžete mít špatný vstup. Když vaše rozhodnutí o strojovém učení ovlivní skutečné lidi, nemůžete mít špatná data. I když se používá čistě pro věci, jako je průzkum trhu, může špatná inteligence skutečně potopit vaši firmu. Předpokládejme, že algoritmy strojového učení neprovádějí přesná a cílená rozhodnutí - a pak vedoucí pracovníci slepě chodí s tím, co počítačový program rozhodne! To může opravdu zkazit jakýkoli obchodní proces. Kombinace špatných výsledků ML a špatného lidského dohledu zvyšuje rizika.
Dalším souvisejícím problémem jsou špatně provádějící algoritmy a aplikace. V některých případech může strojové učení fungovat na základní úrovni, ale nemusí být úplně přesné. Můžete mít opravdu neohrabané aplikace s rozsáhlými problémy a seznam chyb dlouhý kilometr a trávit spoustu času pokusem o opravu všeho, kde byste mohli mít mnohem přísnější a funkčnější projekt, aniž byste vůbec museli strojově učit. Je to jako snažit se dát do kompaktního automobilu masivní motor s vysokým výkonem - musí to sedět.
To nás přivádí k dalšímu hlavnímu problému se strojovým učením ve své podstatě - k problému s přeplněním. Stejně jako váš strojový proces učení musí odpovídat vašemu obchodnímu procesu, i váš algoritmus musí odpovídat tréninkovým datům - nebo jinými slovy, tréninková data musí odpovídat algoritmu. Nejjednodušší způsob, jak vysvětlit přeplnění, je na příkladu dvojrozměrného komplexního tvaru, jako je hranice národního státu. Přizpůsobení modelu znamená rozhodnout, kolik datových bodů vložíte. Pokud použijete pouze šest nebo osm datových bodů, bude vaše hranice vypadat jako mnohoúhelník. Pokud použijete 100 datových bodů, bude váš obrys vypadat šikmo. Když přemýšlíte o používání strojového učení, musíte zvolit tu správnou variantu. Chcete dostatek datových bodů, aby systém fungoval dobře, ale ne příliš mnoho na to, abyste ho složitě složili.
Výsledné problémy se týkají účinnosti - pokud narazíte na problémy s přeplněním, algoritmy nebo špatně fungujícími aplikacemi, budete mít utopené náklady. Může být obtížné změnit kurz a přizpůsobit se a možná se zbavit programů strojového učení, které nejsou v pořádku. Problém může být nákup za dobrou cenu. Takže cesta k úspěšnému strojovému učení je někdy plná výzev. Přemýšlejte o tom, když se pokoušíte implementovat strojové učení v podnikovém prostředí.
