İçerik
Sunan: AltaML
S:
Makine öğrenmesini dürtüyle kullanmanın tehlikeleri nelerdir?
A:
Makine öğrenmesi güçlü ve yeni bir teknolojidir - ve çoğu şirketin bahsettiği şeydir. Ancak, uygulama ve kurumsal uygulamalara entegrasyon açısından problemsiz değildir. Makine öğrenmeyle ilgili olası sorunların birçoğu karmaşıklığından ve gerçekten başarılı bir makine öğrenimi projesi oluşturmak için ne gerektiğinden kaynaklanmaktadır. İşte dikkat etmeniz gereken en büyük tuzaklar.
Yardımcı olabilecek bir şey, yardımcı olmak için deneyimli bir makine öğrenme ekibini işe almaktır.
Makine öğrenmesini kötü kullanmanın en kötü sonuçlarından biri “kötü istihbarat” dediğiniz şeydir. Bu, makine öğrenmesinin sağladığı karar destek sistemlerinin çeşitlerini ütülmek açısından sıkıntı verici bir durumdur, ancak uygulandığında çok daha ciddidir. Her türlü kritik görev sistemi. Kendi kendine sürüş bir aracı kullanırken kötü girdilere sahip olamazsınız. Makine öğrenim kararlarınız gerçek insanları etkilediğinde kötü verilere sahip olamazsınız. Tamamen pazar araştırması gibi şeyler için kullanılsa bile, kötü istihbarat işinizi gerçekten batırabilir. Makine öğrenmesi algoritmalarının kesin ve hedefli seçimler yapmadığını varsayalım - ve ardından yöneticiler bilgisayar programı ne karar verirse versin! Bu gerçekten herhangi bir iş sürecini mahvedebilir. Zayıf ML sonuçlarının ve zayıf insan gözetiminin birleşimi riskler doğurur.
İlgili bir başka problem de düşük performans gösteren algoritmalar ve uygulamalar. Bazı durumlarda, makine öğrenmesi temel düzeyde doğru çalışabilir, ancak tam olarak kesin olmayabilir. Kapsamlı problemleri olan çok zorlu uygulamalara ve bir mil uzunluğundaki bir hata listesine sahip olabilir ve makine öğrenmeyi kullanmadan çok daha sıkı ve daha işlevsel bir projeye sahip olabileceğiniz her şeyi düzeltmeye çalışmak için çok zaman harcayabilirsiniz. Kompakt bir arabaya muazzam yüksek beygir gücünde bir motor koymaya çalışmak gibi bir şey - sığması gerekiyor.
Bu, bizi kendi kendine öğrenen makine ile ilgili başka büyük bir soruna getiriyor - aşırı güçlendirme sorunu. Makine öğrenim sürecinizin iş süreçlerinize uyması gerektiği gibi, algoritmanızın da eğitim verilerine uyması gerekir - ya da başka bir şekilde belirtmek için, eğitim verilerinin algoritmaya uyması gerekir. Aşırı yüklemeyi açıklamanın en basit yolu, bir ulus-devletin sınırı gibi iki boyutlu bir kompleks şeklin örneğidir. Bir modelin yerleştirilmesi, kaç veri noktasına gireceğinize karar vermek anlamına gelir. Yalnızca altı veya sekiz veri noktası kullanırsanız, sınırınız çokgen gibi görünecek. 100 veri noktası kullanırsanız, konturunuz tamamen dalgalı görünecektir. Makine öğrenmeyi uygulamayı düşündüğünüzde, doğru seçimi seçmelisiniz. Sistemin iyi çalışmasını sağlamak için yeterli veri noktası istiyorsunuz ancak karmaşıklığı gidermek için çok fazla değil.
Sonuçta ortaya çıkan sorunların verimlilikle ilgisi var - fazla uydurma, algoritmalar veya düşük performans gösteren uygulamalarla ilgili sorun yaşarsanız, yüksek maliyete sahip olacaksınız. Rotayı değiştirmek, uyum sağlamak ve belki de iyi gitmeyen makine öğrenim programlarından kurtulmak zor olabilir. Fırsatın iyi seçilmesi için katılım yapılması bir sorun olabilir. Gerçekten de, başarılı makine öğrenmeye giden yol bazen zorluklarla doludur. Bir kurumsal müşteride makine öğrenmeyi uygulamaya çalışırken bunu düşünün.
