เนื้อหา
นำเสนอโดย: AltaML
Q:
อันตรายจากการใช้งานเครื่องเรียนรู้มีอะไรบ้าง
A:
การเรียนรู้ของเครื่องเป็นเทคโนโลยีใหม่ที่ทรงพลัง - และเป็นสิ่งที่หลาย ๆ บริษัท กำลังพูดถึง อย่างไรก็ตามมันไม่ได้มีปัญหาในแง่ของการใช้งานและการรวมเข้ากับการปฏิบัติขององค์กร ปัญหาที่อาจเกิดขึ้นมากมายจากการเรียนรู้ของเครื่องมาจากความซับซ้อนและสิ่งที่ต้องใช้ในการจัดตั้งโครงการการเรียนรู้ของเครื่องที่ประสบความสำเร็จ นี่คือบางส่วนของข้อผิดพลาดที่ใหญ่ที่สุดที่ต้องระวัง
สิ่งหนึ่งที่สามารถช่วยได้คือจ้างทีมงานเรียนรู้เครื่องจักรที่มีประสบการณ์มาช่วย
หนึ่งในผลลัพธ์ที่เลวร้ายที่สุดในการใช้การเรียนรู้ของเครื่องไม่ดีคือสิ่งที่คุณอาจเรียกว่า "intel แย่" นี่เป็นสิ่งที่สร้างความรำคาญเมื่อพูดถึงระบบสนับสนุนการตัดสินใจประเภทต่าง ๆ ที่การเรียนรู้ของเครื่องให้ แต่มันจริงจังมากขึ้น ระบบภารกิจสำคัญทุกชนิด คุณไม่สามารถป้อนข้อมูลที่ไม่ถูกต้องเมื่อคุณกำลังขับรถด้วยตนเอง คุณไม่สามารถมีข้อมูลที่ไม่ถูกต้องเมื่อการตัดสินใจเรียนรู้ของเครื่องส่งผลกระทบต่อคนจริง แม้ว่าจะใช้อย่างหมดจดสำหรับสิ่งต่าง ๆ เช่นการวิจัยตลาดข่าวกรองที่ไม่ดีก็สามารถทำให้ธุรกิจของคุณจม สมมติว่าอัลกอริธึมการเรียนรู้ของเครื่องไม่ได้ทำตัวเลือกที่แม่นยำและตรงเป้าหมาย - จากนั้นผู้บริหารก็จะสุ่มสี่สุ่มห้ากับสิ่งที่โปรแกรมคอมพิวเตอร์ตัดสินใจ! ที่สามารถทำให้กระบวนการทางธุรกิจสับสน การรวมกันของผลลัพธ์ ML ที่ไม่ดีและการกำกับดูแลที่ไม่ดีของมนุษย์จะเพิ่มความเสี่ยง
ปัญหาที่เกี่ยวข้องอีกประการหนึ่งคืออัลกอริทึมและแอปพลิเคชันที่ทำงานได้ไม่ดี ในบางกรณีการเรียนรู้ของเครื่องอาจทำงานได้ในระดับพื้นฐาน แต่ไม่แม่นยำทั้งหมด คุณอาจมีแอพพลิเคชั่นที่มีปัญหามากมายและรายการข้อผิดพลาดยาวหนึ่งไมล์และใช้เวลามากในการแก้ไขทุกสิ่งที่คุณสามารถมีโครงการที่แน่นและทำงานได้มากขึ้นโดยไม่ต้องใช้การเรียนรู้ของเครื่องเลย มันก็เหมือนกับการพยายามที่จะนำเครื่องยนต์ที่มีแรงม้าสูงมากในรถยนต์ขนาดกะทัดรัด - มันต้องพอดี
ที่นำเราไปสู่ปัญหาที่สำคัญอีกอย่างหนึ่งด้วยการเรียนรู้ของเครื่องโดยเนื้อแท้ - ปัญหา overfitting เช่นเดียวกับกระบวนการเรียนรู้ของเครื่องเพื่อให้พอดีกับกระบวนการทางธุรกิจของคุณอัลกอริทึมของคุณจะต้องสอดคล้องกับข้อมูลการฝึกอบรมหรือเพื่อให้เป็นอีกวิธีหนึ่งข้อมูลการฝึกอบรมจะต้องสอดคล้องกับอัลกอริทึม วิธีที่ง่ายที่สุดในการอธิบายการ overfitting คือตัวอย่างของรูปร่างที่ซับซ้อนสองมิติเช่นชายแดนของรัฐชาติ ความเหมาะสมของแบบจำลองหมายถึงการตัดสินใจว่าจะใส่จุดข้อมูลกี่จุดถ้าคุณใช้จุดข้อมูลเพียงหกหรือแปดจุดเส้นขอบของคุณจะดูเป็นรูปหลายเหลี่ยม หากคุณใช้จุดข้อมูล 100 จุดรูปร่างของคุณจะดูตึงตัว เมื่อคุณคิดถึงการใช้การเรียนรู้ของเครื่องคุณต้องเลือกอุปกรณ์ที่เหมาะสม คุณต้องการจุดข้อมูลเพียงพอที่จะทำให้ระบบทำงานได้ดี แต่ไม่มากจนเกินไปที่จะทำให้เกิดความซับซ้อน
ปัญหาที่เกิดขึ้นต้องเกี่ยวข้องกับประสิทธิภาพ - หากคุณพบปัญหาเกี่ยวกับการ overfitting อัลกอริทึมหรือแอปพลิเคชันที่ทำงานได้ไม่ดีคุณจะต้องเสียค่าใช้จ่ายที่ลดลง มันอาจเป็นเรื่องยากที่จะเปลี่ยนหลักสูตรและปรับและอาจกำจัดโปรแกรมการเรียนรู้ของเครื่องที่ไม่ดี การซื้อเพื่อโอกาสทางเลือกที่ดีอาจเป็นปัญหาได้ ดังนั้นจริงๆแล้วเส้นทางสู่การเรียนรู้ด้วยเครื่องที่ประสบความสำเร็จบางครั้งก็เต็มไปด้วยความท้าทาย คิดเกี่ยวกับสิ่งนี้เมื่อพยายามใช้การเรียนรู้ของเครื่องในการต่อต้านองค์กร
