Sisältö
Esittäjä: AltaML
K:
Mitkä ovat koneen oppimisen impulsiivisen käytön vaarat?
V:
Koneoppiminen on tehokas uusi tekniikka - ja siitä puhuvat monet yritykset. Se ei kuitenkaan ole ongelmatonta toteuttamisessa ja integroimisessa yrityskäytäntöihin. Monet koneoppimisen mahdollisista ongelmista johtuvat sen monimutkaisuudesta ja siitä, mitä tarvitaan onnistuneen koneoppimisprojektin perustamiseen. Tässä on joitain suurimmista sudenkuopoista, joita kannattaa varoa.
Yksi asia, joka voi auttaa, on palkata kokenut koneoppimisryhmä auttamaan.
Yksi huonoimmista tuloksista huonosti käytetyn koneoppimisen tuloksissa on se, jota voisit kutsua ”huonoksi tietoon”. Tämä on haittaa, kun kyse on koneoppimisen tarjoamien päätöksenteon tukijärjestelmien silittämisestä, mutta se on paljon vakavampi, kun sitä sovelletaan kaikenlainen operatiivisen kriittinen järjestelmä. Sinulla ei voi olla huono tulo, kun käytät itse ajavaa ajoneuvoa. Sinulla ei voi olla huonoja tietoja, kun koneoppimispäätöksesi vaikuttavat todellisiin ihmisiin. Jopa silloin, kun sitä käytetään puhtaasti markkinatutkimuksiin, huono älykkyys voi todella upottaa yrityksesi. Oletetaan, että koneoppimiskäyttöalgoritmit eivät tee tarkkoja ja kohdennettuja valintoja - ja sitten johtajat seuraavat sokeasti mitä tahansa tietokoneohjelma päättää! Se voi todella sekoittaa kaikki liiketoimintaprosessit. Yhdistelmä huonojen ML-tulosten ja huonojen ihmisten valvonnan kanssa aiheuttaa riskejä.
Toinen asiaan liittyvä ongelma on huonosti toimivat algoritmit ja sovellukset. Joissain tapauksissa koneoppiminen saattaa toimia oikein perustasolla, mutta ei olla täysin tarkka. Saatat olla todella kömpelöitä sovelluksia, joissa on laajoja ongelmia, ja luettelo virheistä mailin mittaan, ja viettää paljon aikaa yrittäessäsi korjata kaiken, missä sinulla olisi voinut olla paljon tiukempi ja toimivampi projekti käyttämättä lainkaan koneoppimista. Se on kuin yritetään laittaa massiivinen suuren hevosvoiman moottori kompaktiin autoon - sen on mahduttava.
Tämä vie meidät toiseen suureen ongelmaan, joka liittyy luontaisesti koneoppimiseen - ylikuormitusongelmaan. Aivan kuten koneoppimisprosessin on sovittava liiketoimintaprosessiisi, algoritmisi on sovittava koulutustietoihin - tai toisin sanoen, koulutustietojen on sovittava algoritmiin. Yksinkertaisin tapa selittää ylimääräiset asennukset on esimerkki kaksiulotteisesta monimutkaisesta muodosta, kuten kansallisvaltion raja. Mallin asentaminen tarkoittaa sen päättämistä, kuinka monta datapistettä aiot lisätä. Jos käytät vain kuutta tai kahdeksan datapistettä, rajanne näyttää monikulmioiselta. Jos käytät 100 datapistettä, ääriviivat näyttävät kaikilta suoraviivaisilta. Kun mietit koneoppimisen soveltamisesta, sinun on valittava oikea asennus. Haluat tarpeeksi datapisteitä, jotta järjestelmä toimisi hyvin, mutta ei liian monta, jotta se mutkaisee monimutkaisesti.
Seuraavat ongelmat liittyvät tehokkuuteen - jos joudut ongelmiin ylimääräisillä asentamisilla, algoritmeilla tai huonosti toimivilla sovelluksilla, kustannukset ovat menettämättä. Se voi olla vaikea muuttaa kurssia ja sopeutua ja ehkä päästä eroon koneoppimisohjelmista, jotka eivät mene hyvin. Buy-in hyvistä vaihtoehtohintavalinnoista voi olla ongelma. Joten polku menestyvään koneoppimiseen on joskus täynnä haasteita. Ajattele tätä yrittäessäsi toteuttaa koneoppimista yrityksessä.
