ש:
מהן הסכנות הכרוכות בשימוש בלימוד מכונות בצורה אימפולסיבית?
ת:למידת מכונה היא טכנולוגיה חדשה וחזקה - וזה משהו שרבים מחברות מדברות עליו. עם זאת, זה לא בלי הבעיות שלו מבחינת יישום והשתלבות בפרקטיקות ארגוניות. רבות מהבעיות הפוטנציאליות בלימוד מכונות נובעות מהמורכבות שלה ומה שנדרש כדי להקים באמת פרויקט למידה מכונה מצליח. להלן כמה מהמלכודות הגדולות ביותר שיש להיזהר מהן.
דבר אחד שיכול לעזור הוא שכירת צוות למידה במכונה מנוסה שיעזור.
אחת התוצאות הגרועות ביותר בשימוש גרוע בלימוד מכונות היא מה שאפשר לכנות "אינטל רע". זה מטרד בכל הקשור לגיהוץ סוגים של מערכות תומכות החלטות שלימוד מכונות מספקות, אך זה הרבה יותר רציני כשמדובר ביישום כל סוג של מערכת קריטית למשימה. לא יכול להיות לך קלט רע כשאתה מפעיל רכב שנוהג בעצמו. אינך יכול לקבל נתונים רעים כאשר החלטות למידת המכונה שלך משפיעות על אנשים אמיתיים. אפילו כאשר הוא משמש אך ורק לדברים כמו מחקר שוק, אינטליגנציה רעה יכולה באמת להטביע את העסק שלך. נניח שאלגוריתמים של למידת מכונה אינם מבצעים בחירות מדויקות וממוקדות - ואז מנהלים מסתדרים בעיוורון עם כל מה שתוכנת המחשב תחליט! זה באמת יכול לבלגן בכל תהליך עסקי. השילוב בין תוצאות ML טובות לבין פיקוח לקוי על בני אדם מעלה סיכונים.
בעיה קשורה נוספת היא ביצועים גרועים של אלגוריתמים ויישומים. במקרים מסוימים, למידת המכונה עשויה לעבוד נכון ברמה היסודית, אך לא להיות מדויקת לחלוטין. יתכן שיש לך יישומים ממש מגושמים עם בעיות נרחבות, ורשימת באגים מורכבת לאורך קילומטר וחצי, ובזבז זמן רב בניסיון לתקן את הכל, במקום בו היית יכול לקבל פרויקט הרבה יותר מתוח ופונקציונלי מבלי להשתמש בלימוד מכונות בכלל. זה כמו לנסות להכניס מנוע ענקי לסוס כוח גדול במכונית קומפקטית - הוא צריך להתאים.
זה מביא אותנו לבעיה גדולה נוספת בלימוד מכונות באופן מובנה - בעיית היתר. בדיוק כמו שתהליך למידת המכונה שלך צריך להתאים לתהליך העסקי שלך, האלגוריתם שלך צריך להתאים לנתוני האימונים - או לשים את זה בדרך אחרת, נתוני האימון צריכים להתאים לאלגוריתם. הדרך הפשוטה ביותר להסביר התאמה יתר היא עם הדוגמה של צורה מורכבת דו ממדית כמו גבולה של מדינת לאום. התאמת דגם פירושה להחליט כמה נקודות נתונים אתה הולך להכניס. אם אתה משתמש רק בשש או שמונה נקודות נתונים, הגבול שלך ייראה כמו מצולע. אם אתה משתמש ב -100 נקודות נתונים, קווי המתאר שלך ייראו מסורבלים. כשחושבים על יישום למידת מכונה, עליכם לבחור את ההתאמה הנכונה. אתה רוצה מספיק נקודות נתונים כדי שהמערכת תעבוד טוב, אבל לא יותר מדי מכדי להצליח במורכבות.
בעיות כתוצאה קשורות ליעילות - אם אתה נתקל בבעיות בתאום יתר, באלגוריתמים או ביישומים עם ביצועים לא טובים, תהיה לך עלויות שקועות. זה יכול להיות קשה לשנות מסלול ולהסתגל ואולי להיפטר מתוכניות ללימוד מכונות שלא מסתדרות. רכישה עבור בחירות בעלות הזדמנות טובה יכולה להיות בעיה. אז באמת, הדרך לעבר לימוד מכונות מוצלח טומנת לעיתים באתגרים. חשוב על זה כשמנסים ליישם למידת מכונה בהקשר ארגוני.
