Q:
Kuo gresia impulsyvus mašinų mokymasis?
A:Mašinų mokymasis yra galinga nauja technologija - ir tai yra kažkas, apie ką kalba daugybė kompanijų. Tačiau tai nėra be problemų, susijusių su įgyvendinimu ir integracija į įmonės praktiką. Daugelis galimų mašinų mokymosi problemų kyla dėl jo sudėtingumo ir to, ko reikia norint sėkmingai sukurti mašininio mokymosi projektą. Čia yra keletas didžiausių spąstų, į kuriuos reikia atkreipti dėmesį.
Vienas dalykas, kuris gali padėti, yra samdyti patyrusią mašinų mokymosi komandą, kuri padėtų.
Vienas blogiausių rezultatų, prastai naudojant mašinų mokymąsi, yra tai, ką jūs galite vadinti „blogu intel“. Tai yra nepatogumas, kai reikia išlyginti sprendimų palaikymo sistemas, kurias teikia mašininis mokymasis, tačiau tai yra daug rimčiau, kai ji taikoma bet kokia misijai svarbi sistema. Jūs neturite blogo įvesties, kai naudojatės savarankiškai vairuojančia transporto priemone. Neturite blogų duomenų, kai sprendimai dėl kompiuterio mokymosi daro įtaką realiems žmonėms. Net tada, kai jis naudojamas tik tokiems dalykams kaip rinkos tyrimai, blogas intelektas tikrai gali nuslėpti jūsų verslą. Tarkime, mašininio mokymosi algoritmai nepadaro tikslių ir tikslingų pasirinkimų - tada vadovai aklai eina kartu su tuo, ką nusprendžia kompiuterio programa! Tai tikrai gali sujaukti bet kokį verslo procesą. Dėl prastų ML rezultatų ir prastos žmonių priežiūros kyla rizika.
Kita susijusi problema yra prastai veikiantys algoritmai ir programos. Kai kuriais atvejais mašinų mokymasis gali veikti tinkamai pagrindiniame lygmenyje, tačiau nėra visiškai tikslus. Galbūt turite tikrai nepatogių programų, turinčių didelių problemų, ir sudarydami klaidų sąrašą mylios ilgio bei praleisdami daug laiko bandydami viską ištaisyti, kur galėjote turėti daug griežtesnį ir funkcionalesnį projektą, iš viso nenaudodami mašininio mokymosi. Tai tarsi bandymas kompaktiškame automobilyje sudėti didžiulį didelio galingumo variklį - jis turi tilpti.
Tai priveda mus prie dar vienos svarbios mašininio mokymosi problemos - perpildymo problemos. Kaip ir jūsų kompiuterio mokymosi procesas turi atitikti jūsų verslo procesą, jūsų algoritmas turi atitikti mokymo duomenis - arba, kitaip tariant, mokymo duomenys turi atitikti algoritmą. Paprasčiausias būdas paaiškinti perteklinį pritaikymą yra dviejų dimensijų sudėtingos formos, tokios kaip tautinės valstybės siena, pavyzdys. Modelio pritaikymas reiškia, kad reikia nuspręsti, kiek duomenų taškų įdėsite. Jei naudojate tik šešis ar aštuonis duomenų taškus, jūsų kraštinė atrodys kaip daugiakampis. Jei naudosite 100 duomenų taškų, jūsų kontūras atrodys labai glotniai. Galvodami apie mašininio mokymosi taikymą, turite pasirinkti tinkamą priedą. Norite pakankamai duomenų taškų, kad sistema gerai veiktų, bet ne per daug, kad būtų sudėtinga.
Dėl problemų, susijusių su efektyvumu, kyla problemų - jei susidursite su perteklinio montavimo, algoritmų ar prastai veikiančių programų problemomis, turėsite nepamirštamų išlaidų. Gali būti sunku pakeisti kursą ir prisitaikyti, o galbūt atsikratyti mašinų mokymosi programų, kurios neveikia. Įsigijimas dėl geros alternatyvių išlaidų pasirinkimo gali būti problema. Taigi kelias į sėkmingą mašininį mokymąsi kartais yra sudėtingas. Pagalvokite apie tai, kai bandote mašininį mokymąsi įgyvendinti įmonės kontekste.
