NộI Dung
Trình bày bởi: AltaML
Q:
Một số nguy hiểm của việc sử dụng máy học bốc đồng là gì?
A:
Học máy là một công nghệ mới mạnh mẽ - và đó là điều mà rất nhiều công ty đang nói đến. Tuy nhiên, không phải không có vấn đề về mặt triển khai và tích hợp vào thực tiễn doanh nghiệp. Nhiều vấn đề tiềm ẩn với học máy đến từ sự phức tạp của nó và những gì cần thiết để thực sự thiết lập một dự án học máy thành công. Dưới đây là một số cạm bẫy lớn nhất để coi chừng.
Một điều có thể giúp là thuê một nhóm học máy có kinh nghiệm để giúp đỡ.
Một trong những kết quả tồi tệ nhất trong việc sử dụng máy học kém là điều mà bạn có thể gọi là int xấu intel. Đây là một điều phiền toái khi phải loại bỏ các loại hệ thống hỗ trợ quyết định mà máy học cung cấp, nhưng nghiêm trọng hơn nhiều khi áp dụng vào bất kỳ loại hệ thống quan trọng. Bạn không thể có đầu vào xấu khi bạn đang điều khiển một chiếc xe tự lái. Bạn không thể có dữ liệu xấu khi các quyết định học máy của bạn ảnh hưởng đến người thực. Ngay cả khi nó hoàn toàn được sử dụng cho những thứ như nghiên cứu thị trường, trí thông minh xấu thực sự có thể nhấn chìm doanh nghiệp của bạn. Giả sử các thuật toán học máy không đưa ra các lựa chọn chính xác và có mục tiêu - và sau đó các giám đốc điều hành sẽ mù quáng với bất cứ điều gì chương trình máy tính quyết định! Điều đó thực sự có thể gây rối cho bất kỳ quá trình kinh doanh. Sự kết hợp giữa kết quả ML kém và sự giám sát của con người kém làm tăng rủi ro.
Một vấn đề liên quan khác là các thuật toán và ứng dụng hoạt động kém. Trong một số trường hợp, máy học có thể hoạt động ngay ở mức cơ bản, nhưng không hoàn toàn chính xác. Bạn có thể có những ứng dụng thực sự rắc rối với nhiều vấn đề và một danh sách lỗi dài cả dặm và dành nhiều thời gian để cố gắng sửa mọi thứ, nơi bạn có thể có một dự án chặt chẽ hơn và nhiều chức năng hơn mà không cần sử dụng máy học. Nó giống như cố gắng đặt một động cơ mã lực lớn khổng lồ trong một chiếc xe nhỏ gọn - nó phải vừa.
Điều đó đưa chúng ta đến một vấn đề lớn khác với học máy vốn có - vấn đề quá mức. Giống như quy trình học máy của bạn phải phù hợp với quy trình kinh doanh của bạn, thuật toán của bạn phải phù hợp với dữ liệu đào tạo - hoặc nói cách khác, dữ liệu đào tạo phải phù hợp với thuật toán. Cách đơn giản nhất để giải thích quá mức là với ví dụ về hình dạng phức tạp hai chiều giống như biên giới của một quốc gia. Sự phù hợp của một mô hình có nghĩa là quyết định bạn sẽ đặt bao nhiêu điểm dữ liệu. Nếu bạn chỉ sử dụng sáu hoặc tám điểm dữ liệu, đường viền của bạn sẽ trông giống như một đa giác. Nếu bạn sử dụng 100 điểm dữ liệu, đường viền của bạn sẽ trông hết sức nguệch ngoạc. Khi bạn nghĩ về việc áp dụng học máy, bạn phải chọn phù hợp. Bạn muốn có đủ điểm dữ liệu để làm cho hệ thống hoạt động tốt, nhưng không quá nhiều để làm cho nó phức tạp.
Các vấn đề dẫn đến phải liên quan đến hiệu quả - nếu bạn gặp vấn đề với việc sử dụng quá mức, thuật toán hoặc các ứng dụng hoạt động kém, bạn sẽ có chi phí chìm. Có thể khó thay đổi khóa học và thích nghi và có thể thoát khỏi các chương trình học máy không tốt. Mua vào để lựa chọn chi phí cơ hội tốt có thể là một vấn đề. Vì vậy, thực sự, con đường hướng tới học máy thành công đôi khi đầy thách thức. Hãy nghĩ về điều này khi cố gắng thực hiện học máy trong một doanh nghiệp con.
