T:
Ano ang ilan sa mga panganib sa paggamit ng impormasyong pag-aaral ng makina?
A:Ang pag-aaral ng makina ay isang malakas na bagong teknolohiya - at ito ay isang bagay na pinag-uusapan ng maraming mga kumpanya. Gayunpaman, hindi ito walang mga problema sa mga tuntunin ng pagpapatupad at pagsasama sa mga kasanayan sa negosyo. Marami sa mga potensyal na problema sa pag-aaral ng makina ay nagmumula sa pagiging kumplikado nito at kung ano ang kinakailangan upang talagang mag-set up ng isang matagumpay na proyekto sa pag-aaral ng machine. Narito ang ilan sa mga pinakamalaking pitfalls na dapat bantayan.
Isang bagay na makakatulong sa pagtanggap ng isang nakaranasang koponan sa pagkatuto ng makina upang makatulong.
Ang isa sa mga pinakamasamang kinalabasan sa paggamit ng hindi magandang pag-aaral ng makina ay kung ano ang maaari mong tawaging "masamang intel." Ito ay nakakagulo pagdating sa pag-iron ng mga uri ng mga sistema ng suporta sa desisyon na ibinibigay ng pag-aaral ng makina, ngunit mas seryoso ito kapag inilalapat ito sa anumang uri ng system-kritikal na sistema. Hindi ka maaaring magkaroon ng masamang input kapag nagpapatakbo ka ng sasakyan sa pagmamaneho sa sarili. Hindi ka maaaring magkaroon ng masamang data kapag ang iyong mga desisyon sa pagkatuto ng makina ay nakakaapekto sa mga totoong tao. Kahit na ito ay pulos ginagamit para sa mga bagay tulad ng pananaliksik sa merkado, ang masamang katalinuhan ay maaaring talagang lumubog ang iyong negosyo. Ipagpalagay na ang mga algorithm ng pag-aaral ng makina ay hindi gumawa ng tumpak at naka-target na mga pagpipilian - at pagkatapos ay ang mga executive ay sumabay nang walang taros sa anumang nagpasya ang programa ng computer! Na maaaring magulo ang anumang proseso ng negosyo. Ang pagsasama-sama ng hindi magandang kinalabasan ng ML at mahinang pangangasiwa ng tao ay nagtataas ng mga panganib.
Ang isa pang kaugnay na problema ay hindi maganda ang pagsasagawa ng mga algorithm at aplikasyon. Sa ilang mga kaso, ang pag-aaral ng makina ay maaaring gumana nang tama sa isang pangunahing antas, ngunit hindi ganap na tumpak. Maaaring mayroon ka talagang mga clunky application na may malawak na mga problema, at isang lista ng isang bug ng isang milya ang haba, at gumugol ng maraming oras na sinusubukan na iwasto ang lahat, kung saan maaari kang magkaroon ng isang mas matigas at mas functional na proyekto nang hindi gumagamit ng pag-aaral ng makina. Tulad ng pagsubok na maglagay ng isang napakalaking high-horsepower engine sa isang compact na kotse - kailangang magkasya ito.
Na nagdadala sa amin sa isa pang pangunahing problema sa pag-aaral ng makina na likas - ang labis na problema. Tulad ng proseso ng pag-aaral ng iyong makina ay magkasya sa proseso ng iyong negosyo, ang iyong algorithm ay dapat magkasya sa data ng pagsasanay - o upang maglagay ng ibang paraan, ang data ng pagsasanay ay magkasya sa algorithm. Ang pinakasimpleng paraan upang ipaliwanag ang overfitting ay kasama ang halimbawa ng isang two-dimensional na kumplikadong hugis tulad ng hangganan ng isang bansa-estado. Ang agpang ng isang modelo ay nangangahulugang pagpapasya kung gaano karaming mga puntos ng data na iyong ilalagay. Kung gumagamit ka lamang ng anim o walong puntos ng data, ang hitsura ng iyong hangganan ay magmukhang isang polygon. Kung gumagamit ka ng 100 puntos ng data, ang iyong tabas ay magiging hitsura ng lahat ng squiggly. Kung iisipin mo ang tungkol sa pag-apply ng pag-aaral ng makina, kailangan mong pumili ng tamang angkop. Gusto mo ng sapat na mga puntos ng data upang gumana nang maayos ang system, ngunit hindi masyadong maraming upang masira ito sa pagiging kumplikado.
Ang mga problemang nagreresulta ay may kinalaman sa kahusayan - kung nagpapatakbo ka sa mga problema sa pag-overfitting, algorithm o hindi maganda ang pagsasagawa ng mga aplikasyon, magkakaroon ka ng masayang gastos. Mahirap baguhin ang kurso at umangkop at maaaring mapupuksa ang mga programa sa pag-aaral ng machine na hindi maayos. Ang Buy-in para sa mahusay na mga pagpipilian sa gastos ng gastos ay maaaring maging isang isyu. Kaya nga talaga, ang landas patungo sa matagumpay na pag-aaral ng makina ay minsan ay puno ng mga hamon. Isipin ito kapag sinusubukan mong ipatupad ang pag-aaral ng makina sa isang konteksto ng negosyo.
