Q:
Apakah beberapa bahaya menggunakan pembelajaran mesin secara impulsif?
A:Pembelajaran mesin adalah teknologi baru yang hebat - dan ia adalah sesuatu yang banyak syarikat bercakap tentang. Walau bagaimanapun, ia bukan tanpa masalah dari segi pelaksanaan dan integrasi ke dalam amalan perusahaan. Banyak masalah yang berpotensi dengan pembelajaran mesin datang dari kerumitannya dan apa yang diperlukan untuk benar-benar menubuhkan projek pembelajaran mesin yang berjaya. Berikut adalah beberapa perangkap yang paling besar untuk diperhatikan.
Satu perkara yang boleh membantu ialah menyewa sebuah pasukan pembelajaran mesin yang berpengalaman untuk membantu.
Salah satu hasil yang paling teruk dalam menggunakan mesin pembelajaran yang kurang baik adalah apa yang anda sebut sebagai "intel tidak baik." Ini adalah gangguan ketika menyetrika jenis sistem sokongan keputusan yang diberikan oleh mesin pembelajaran, tetapi itu lebih serius apabila diterapkan apa-apa jenis sistem kritikal misi. Anda tidak boleh mempunyai input yang tidak baik apabila anda mengendalikan kenderaan memandu sendiri. Anda tidak boleh mempunyai data buruk apabila keputusan pembelajaran mesin anda menjejaskan orang sebenar. Walaupun ia semata-mata digunakan untuk perkara seperti penyelidikan pasaran, perisikan yang buruk benar-benar boleh mencairkan perniagaan anda. Katakan algoritma pembelajaran mesin tidak membuat pilihan yang tepat dan disasarkan - dan kemudian para eksekutif pergi secara membabi buta dengan apa keputusan program komputer! Itu benar-benar boleh merosakkan proses perniagaan. Gabungan hasil ML yang lemah dan pengawasan manusia yang lemah menimbulkan risiko.
Satu lagi masalah yang berkaitan adalah algoritma dan aplikasi yang tidak berfungsi dengan baik. Dalam beberapa kes, pembelajaran mesin mungkin berfungsi dengan betul pada tahap asas, tetapi tidak sepenuhnya tepat. Anda mungkin mempunyai aplikasi yang benar-benar kikuk dengan masalah yang luas, dan senarai bug satu batu panjang, dan menghabiskan banyak masa untuk membetulkan segala-galanya, di mana anda boleh mempunyai projek yang lebih ketat dan lebih berfungsi tanpa menggunakan pembelajaran mesin sama sekali. Ia seolah-olah cuba untuk meletakkan enjin berkuasa tinggi besar-besaran dalam kereta kompak - ia patut dimuatkan.
Itu membawa kita kepada masalah utama yang lain dengan pembelajaran mesin secara semulajadi - masalah yang berlebihan. Sama seperti proses pembelajaran mesin anda harus sesuai dengan proses perniagaan anda, algoritma anda harus sesuai dengan data latihan - atau untuk memasukkannya lagi, data latihan harus sesuai dengan algoritma. Cara paling mudah untuk menjelaskan overfitting adalah dengan contoh bentuk kompleks dua dimensi seperti sempadan negara-negara. Pemasangan model bermakna memutuskan berapa banyak titik data yang akan anda masukkan. Jika anda hanya menggunakan enam atau lapan titik data, sempadan anda akan kelihatan seperti poligon. Sekiranya anda menggunakan 100 titik data, kontur anda akan kelihatan dengan lancar. Apabila anda berfikir tentang cara menerapkan pembelajaran mesin, anda perlu memilih pemasangan yang tepat. Anda menginginkan mata data yang mencukupi untuk membuat sistem berfungsi dengan baik, tetapi tidak terlalu banyak untuk memecahnya dalam kerumitan.
Masalah yang timbul perlu dilakukan dengan kecekapan - jika anda menghadapi masalah dengan overfitting, algoritma atau aplikasi yang tidak berfungsi dengan baik, anda akan mengalami kos tenggelam. Ia boleh menjadi sukar untuk mengubah kursus dan menyesuaikan diri dan mungkin menghilangkan program pembelajaran mesin yang tidak berjalan lancar. Pembelian untuk pilihan kos peluang yang baik boleh menjadi isu. Jadi benar-benar, jalan menuju pembelajaran mesin yang berjaya kadang-kadang penuh dengan cabaran. Fikirkan ini apabila cuba melaksanakan pembelajaran mesin dalam konteks perusahaan.
