S:
Makine öğrenmesini dürtüsel olarak kullanmanın bazı tehlikeleri nelerdir?
A:Makine öğrenimi yeni ve güçlü bir teknolojidir - ve bu birçok şirketten bahsetmektedir. Ancak, uygulama ve kurumsal uygulamalara entegrasyon açısından problemsiz değildir. Makine öğrenimi ile ilgili potansiyel sorunların çoğu, karmaşıklığından ve başarılı bir makine öğrenimi projesi oluşturmak için gerekenlerden kaynaklanmaktadır. İşte dikkat edilmesi gereken en büyük tuzaklardan bazıları.
Yardımcı olabilecek bir şey, deneyimli bir makine öğrenme ekibi yardım etmek için işe almaktır.
Makine öğrenimini kötü kullanmanın en kötü sonuçlarından biri, “kötü istihbarat” olarak adlandırabileceğiniz şeydir. Makine öğreniminin sağladığı karar destek sistemlerini ütülemek söz konusu olduğunda bu bir sıkıntıdır, ancak uygulandığında çok daha ciddidir. her türlü kritik görev sistemi. Kendi kendine giden bir aracı kullanırken kötü girdilere sahip olamazsınız. Makine öğrenimi kararlarınız gerçek insanları etkilediğinde kötü verilere sahip olamazsınız. Sadece pazar araştırması gibi şeyler için kullanıldığında bile, kötü zeka işinizi gerçekten batırabilir. Makine öğrenme algoritmalarının kesin ve hedefli seçimler yapmadığını varsayalım ve yöneticiler bilgisayar programı ne karar verirse versin körü körüne ilerliyorlar! Bu gerçekten herhangi bir iş sürecini berbat edebilir. Kötü ML sonuçlarının ve zayıf insan gözetiminin kombinasyonu riskleri arttırır.
İlgili diğer bir sorun, kötü performans gösteren algoritmalar ve uygulamalar. Bazı durumlarda, makine öğrenimi doğrudan temel düzeyde çalışabilir, ancak tam olarak kesin olmayabilir. Kapsamlı sorunları olan gerçekten karmaşık uygulamalara ve bir mil uzunluğunda bir hata listesine sahip olabilirsiniz ve makine öğrenimini kullanmadan çok daha sıkı ve daha işlevsel bir projeye sahip olabileceğiniz her şeyi düzeltmeye çok zaman harcayabilirsiniz. Kompakt bir arabaya devasa bir yüksek beygir gücünde motor yerleştirmeye çalışmak gibi - uyması gerekiyor.
Bu bizi doğası gereği makine öğrenimi ile ilgili başka bir büyük soruna getiriyor - aşırı uyum sorunu. Makine öğrenim sürecinizin iş sürecinize uyması gibi, algoritmanızın da eğitim verilerine uyması gerekir - ya da başka bir deyişle, eğitim verilerinin algoritmaya uyması gerekir. Aşırı uyumu açıklamanın en basit yolu, bir ulus-devletin sınırı gibi iki boyutlu karmaşık bir şekle örnektir. Bir modelin yerleştirilmesi, kaç veri noktası koyacağınıza karar vermek anlamına gelir. Yalnızca altı veya sekiz veri noktası kullanırsanız, bordreniz çokgen gibi görünecektir. 100 veri noktası kullanırsanız, konturunuz kıvrımlı görünecektir. Makine öğrenimini uygulamayı düşündüğünüzde, doğru uyumu seçmeniz gerekir. Sistemin iyi çalışması için yeterli veri noktası istiyorsunuz, ancak karmaşıklığı ortadan kaldıracak çok fazla veri yok.
Ortaya çıkan sorunların verimlilikle ilgisi vardır - aşırı takma, algoritmalar veya düşük performans gösteren uygulamalarla ilgili sorun yaşarsanız, batık maliyetleriniz olacaktır. Rotayı değiştirmek ve uyum sağlamak zor olabilir ve belki de iyi gitmeyen makine öğrenme programlarından kurtulun. İyi fırsat maliyeti seçimleri için katılım bir sorun olabilir. Gerçekten, başarılı makine öğrenimine giden yol bazen zorluklarla doludur. Makine öğrenmesini kurumsal bir bağlamda uygulamaya çalışırken bunu düşünün.
