J:
Kādas ir briesmas, ja impulsīvi izmanto mašīnmācīšanos?
A:Mašīnmācība ir jaudīga jauna tehnoloģija - un par to runā daudzi uzņēmumi. Tomēr tas nav bez problēmām, kas saistītas ar ieviešanu un integrāciju uzņēmuma praksē. Daudzas no mašīnmācības iespējamām problēmām rodas tās sarežģītības dēļ un tas, kas nepieciešams, lai patiešām izveidotu veiksmīgu mašīnmācīšanās projektu. Šeit ir dažas no lielākajām nepilnībām, kuras jāuzmanās.
Viena lieta, kas var palīdzēt, ir pieņemt darbā palīgā pieredzējušu mašīnmācīšanās komandu.
Viens no sliktākajiem rezultātiem, mašīnmācoties slikti, ir tas, ko jūs varētu saukt par “sliktu intel”. Tas ir traucēklis, kad ir jāizgludina lēmumu pieņemšanas atbalsta sistēmu veidi, kurus nodrošina mašīnu mācīšanās, taču tas ir daudz nopietnāks, ja tas tiek piemērots jebkura veida misijai kritiska sistēma. Jums pašam vadot transportlīdzekli nevar būt slikta informācija. Jums nevar būt sliktu datu, ja jūsu mašīnmācīšanās lēmumi ietekmē reālus cilvēkus. Pat ja tas tiek izmantots tikai tādām lietām kā tirgus izpēte, slikta inteliģence patiešām var nogremdēt jūsu biznesu. Pieņemsim, ka mašīnmācīšanās algoritmi neizdara precīzu un mērķtiecīgu izvēli - un pēc tam vadītāji akli iziet visu, ko nolemj datorprogramma! Tas tiešām var izjaukt jebkuru biznesa procesu. Sliktu ML rezultātu un sliktas cilvēku uzraudzības apvienojums rada riskus.
Vēl viena saistīta problēma ir slikti izpildīti algoritmi un lietojumprogrammas. Dažos gadījumos mašīnu apguve var darboties pareizi pamatlīmenī, bet nav pilnīgi precīza. Iespējams, ka jums ir patiešām sarežģītas lietojumprogrammas ar plašām problēmām un kļūdu saraksts ir jūdzes garš un jāpavada daudz laika, mēģinot visu labot, kur varēja būt daudz stingrāks un funkcionālāks projekts, nemaz neizmantojot mašīnmācību. Tas ir tāpat kā mēģināt kompaktā automašīnā ievietot masīvu lielas zirgspēku motoru - tam ir jābūt piemērotam.
Tas mūs noved pie citas lielas problēmas, kas saistītas ar mašīnu apguvi, - pārkomplektēšanas problēma. Gluži kā mašīnu apguves procesam ir jāatbilst jūsu biznesa procesam, arī jūsu algoritmam ir jāatbilst apmācības datiem - vai, pareizāk sakot, apmācības datiem ir jāatbilst algoritmam. Vienkāršākais veids, kā izskaidrot pārmērīgu aprīkošanu, ir tāds divdimensiju sarežģītas formas piemērs kā nacionālās valsts robeža. Modeļa pielāgošana nozīmē izlemt, cik daudz datu punktu jūs ievietosit. Ja izmantojat tikai sešus vai astoņus datu punktus, jūsu robeža izskatīsies kā daudzstūris. Ja jūs izmantojat 100 datu punktus, jūsu kontūra izskatīsies visu gludi. Kad jūs domājat par mašīnmācību, jums jāizvēlas pareizais aprīkojums. Jūs vēlaties pietiekami daudz datu punktu, lai sistēma darbotos labi, bet ne pārāk daudz, lai to sarežģītu.
Rezultātā radušās problēmas ir saistītas ar efektivitāti - ja rodas problēmas ar pārmērīgu uzstādīšanu, algoritmiem vai slikti izpildāmām lietojumprogrammām, jums nāksies samazināt izmaksas. Var būt grūti mainīt kursu un pielāgoties, un varbūt atbrīvoties no mašīnmācīšanās programmām, kuras neiet labi. Iemaksa par labu labu izmaksu izvēli var būt problēma. Tātad tiešām ceļš uz veiksmīgu mašīnu apguvi dažreiz ir sarežģīts. Padomājiet par to, mēģinot ieviest mašīnmācīšanos uzņēmuma kontekstā.
