Q:
Wat zijn enkele gevaren van het impulsief gebruiken van machine learning?
EEN:Machine learning is een krachtige nieuwe technologie - en het is iets waar veel bedrijven over praten. Het is echter niet zonder problemen met betrekking tot implementatie en integratie in bedrijfspraktijken. Veel van de potentiële problemen met machine learning komen voort uit de complexiteit ervan en wat nodig is om een succesvol machine learning-project op te zetten. Hier zijn enkele van de grootste valkuilen om op te letten.
Een ding dat kan helpen, is een ervaren machine learning-team inhuren om te helpen.
Een van de slechtste resultaten bij het slecht gebruiken van machine learning is wat je 'slechte info' zou kunnen noemen. Dit is vervelend als het gaat om het gladstrijken van de soorten beslissingsondersteunende systemen die machine learning biedt, maar het is veel ernstiger wanneer het wordt toegepast op elk soort missiekritisch systeem. U kunt geen slechte invoer hebben wanneer u een zelfrijdende auto bestuurt. U kunt geen slechte gegevens hebben wanneer uw beslissingen over machinaal leren echte mensen beïnvloeden. Zelfs wanneer het puur wordt gebruikt voor zaken als marktonderzoek, kan slechte informatie uw bedrijf echt doen zinken. Stel dat machine learning-algoritmen geen precieze en gerichte keuzes maken - en vervolgens gaan managers blindelings mee met alles wat het computerprogramma beslist! Dat kan elk bedrijfsproces echt verpesten. De combinatie van slechte ML-resultaten en slecht menselijk toezicht brengt risico's met zich mee.
Een ander gerelateerd probleem zijn slecht presterende algoritmen en applicaties. In sommige gevallen werkt machine learning mogelijk op een fundamenteel niveau, maar is het niet helemaal nauwkeurig. Je hebt misschien echt onhandige applicaties met uitgebreide problemen, en een buglijst van een mijl lang, en besteedt veel tijd aan het proberen alles te corrigeren, waar je een veel strakker en functioneler project had kunnen hebben zonder het gebruik van machine learning. Het is alsof je probeert een enorme motor met een hoog vermogen in een compacte auto te stoppen - het moet passen.
Dat brengt ons bij een ander groot probleem met machine learning inherent - het overfittingprobleem. Net zoals uw machine-leerproces moet passen bij uw bedrijfsproces, moet uw algoritme passen bij de trainingsgegevens - of anders gezegd, de trainingsgegevens moeten passen bij het algoritme. De eenvoudigste manier om overfitting te verklaren is met het voorbeeld van een tweedimensionale complexe vorm zoals de grens van een natiestaat. De aanpassing van een model betekent dat u beslist hoeveel datapunten u gaat plaatsen. Als u slechts zes of acht datapunten gebruikt, ziet uw rand eruit als een polygoon. Als u 100 gegevenspunten gebruikt, ziet uw contour er kronkelig uit. Wanneer u overweegt om machine learning toe te passen, moet u de juiste aanpassing kiezen. U wilt voldoende datapunten om het systeem goed te laten werken, maar niet te veel om het complex te maken.
De resulterende problemen hebben te maken met efficiëntie - als u problemen ondervindt met overfitting, algoritmen of slecht presterende applicaties, zult u verzonken kosten hebben. Het kan moeilijk zijn om van koers te veranderen en aan te passen en misschien te ontdoen van machine learning-programma's die niet goed gaan. Buy-in voor goede kansenkostenkeuzes kan een probleem zijn. Dus het pad naar succesvol machinaal leren is soms vol uitdagingen. Denk hier eens over na wanneer u machine learning in een bedrijfscontext probeert te implementeren.
