Q:
Hva er noen av farene ved å bruke maskinlæring impulsivt?
EN:Læring av maskiner er en kraftig ny teknologi - og det er noe mange selskaper snakker om. Imidlertid er det ikke uten problemene når det gjelder implementering og integrering i virksomhetspraksis. Mange av de potensielle problemene med maskinlæring kommer fra dens kompleksitet og det som trengs for å virkelig sette opp et vellykket prosjekt for maskinlæring. Her er noen av de største fallgruvene å passe på.
En ting som kan hjelpe er å ansette et erfaren maskinlæringsteam for å hjelpe.
Et av de verste resultatene ved å bruke maskinlæring dårlig er det du kan kalle “dårlig intel.” Dette er en plage når det gjelder å stryke de slags beslutningsstøttesystemer som maskinlæring gir, men det er mye mer alvorlig når det brukes alle slags oppdragskritiske system. Du kan ikke ha dårlige innspill når du bruker et selvkjørende kjøretøy. Du kan ikke ha dårlige data når beslutningene dine om maskinlæring påvirker virkelige mennesker. Selv når det rent brukes til ting som markedsundersøkelser, kan dårlig intelligens virkelig synke bedriften din. Anta at maskinlæringsalgoritmer ikke tar presise og målrettede valg - og deretter følger ledere blindt med hva dataprogrammet bestemmer! Det kan virkelig ødelegge enhver forretningsprosess. Kombinasjonen av dårlige ML-utfall og dårlig menneskelig tilsyn øker risikoen.
Et annet relatert problem er algoritmer og applikasjoner som har dårlig ytelse. I noen tilfeller kan maskinlæringen fungere rett på et grunnleggende nivå, men ikke være helt presis. Du har virkelig skikkelige applikasjoner med omfattende problemer, og en feilliste en kilometer lang, og bruker mye tid på å prøve å rette opp alt der du kunne hatt et mye strammere og mer funksjonelt prosjekt uten å bruke maskinlæring i det hele tatt. Det er som å prøve å sette en massiv motor med høy hestekrefter i en kompakt bil - den må passe.
Det bringer oss til et annet stort problem med maskinlæring iboende - overmonteringsproblemet. Akkurat som din maskinlæringsprosess må passe til forretningsprosessen din, må algoritmen din passe til treningsdataene - eller for å si det på en annen måte, så må treningsdataene passe til algoritmen. Den enkleste måten å forklare overmontering er med eksemplet på en todimensjonal kompleks form som grensen til en nasjonalstat. Montering av en modell betyr å bestemme hvor mange datapunkter du skal legge inn. Hvis du bare bruker seks eller åtte datapunkter, vil grensen din se ut som en polygon. Hvis du bruker 100 datapunkter, vil konturen din se helt ut. Når du tenker på å bruke maskinlæring, må du velge riktig tilpasning. Du vil ha nok datapunkter for at systemet skal fungere bra, men ikke for mange til å mase det ned i kompleksitet.
Resulterende problemer har med effektivitet å gjøre - hvis du får problemer med overmontering, algoritmer eller applikasjoner som ikke fungerer bra, vil du ha sunkede kostnader. Det kan være vanskelig å endre kurs og tilpasse seg og kanskje bli kvitt maskinlæringsprogrammer som ikke går bra. Innkjøp for valg av gode muligheter kan være et problem. Så virkelig, veien til vellykket maskinlæring er noen ganger full av utfordringer. Tenk på dette når du prøver å implementere maskinlæring i bedriftssammenheng.
