Isi
Disajikan oleh: AltaML
Q:
Apa saja bahaya menggunakan pembelajaran mesin secara impulsif?
SEBUAH:
Pembelajaran mesin adalah teknologi baru yang kuat - dan itu adalah sesuatu yang dibicarakan banyak perusahaan. Namun, ini bukan tanpa masalah dalam hal implementasi dan integrasi ke dalam praktik perusahaan. Banyak masalah potensial dengan pembelajaran mesin berasal dari kompleksitasnya dan apa yang diperlukan untuk benar-benar mendirikan proyek pembelajaran mesin yang sukses. Berikut adalah beberapa jebakan terbesar yang harus diperhatikan.
Satu hal yang dapat membantu adalah mempekerjakan tim pembelajaran mesin yang berpengalaman untuk membantu.
Salah satu hasil terburuk dalam menggunakan pembelajaran mesin dengan buruk adalah apa yang Anda sebut "intel buruk." Ini adalah gangguan ketika harus menyelesaikan jenis sistem pendukung keputusan yang disediakan pembelajaran mesin, tetapi jauh lebih serius ketika diterapkan pada segala jenis sistem misi-kritis. Anda tidak dapat memiliki input yang buruk ketika Anda mengoperasikan kendaraan self-driving. Anda tidak dapat memiliki data buruk ketika keputusan pembelajaran mesin Anda memengaruhi orang sungguhan. Bahkan ketika itu murni digunakan untuk hal-hal seperti riset pasar, kecerdasan buruk dapat benar-benar menenggelamkan bisnis Anda. Misalkan algoritma pembelajaran mesin tidak membuat pilihan yang tepat dan terarah - dan kemudian eksekutif pergi membabi buta dengan apa pun yang diputuskan program komputer! Itu benar-benar dapat mengacaukan proses bisnis apa pun. Kombinasi hasil ML yang buruk dan pengawasan manusia yang buruk meningkatkan risiko.
Masalah terkait lainnya adalah algoritma dan aplikasi yang berkinerja buruk. Dalam beberapa kasus, pembelajaran mesin mungkin bekerja dengan baik pada tingkat dasar, tetapi tidak sepenuhnya tepat. Anda mungkin memiliki aplikasi yang benar-benar kikuk dengan masalah yang luas, dan daftar bug yang panjang satu mil, dan menghabiskan banyak waktu mencoba untuk memperbaiki segalanya, di mana Anda bisa memiliki proyek yang jauh lebih ketat dan lebih fungsional tanpa menggunakan pembelajaran mesin sama sekali. Ini seperti mencoba menempatkan mesin bertenaga besar di dalam mobil yang ringkas - itu harus pas.
Itu membawa kita ke masalah besar lainnya dengan pembelajaran mesin secara inheren - masalah overfitting. Sama seperti proses pembelajaran mesin Anda harus sesuai dengan proses bisnis Anda, algoritma Anda harus sesuai dengan data pelatihan - atau dengan kata lain, data pelatihan harus sesuai dengan algoritma. Cara paling sederhana untuk menjelaskan overfitting adalah dengan contoh bentuk kompleks dua dimensi seperti perbatasan negara-bangsa. Pemasangan model berarti memutuskan berapa banyak titik data yang akan Anda masukkan. Jika Anda hanya menggunakan enam atau delapan titik data, batas Anda akan terlihat seperti poligon. Jika Anda menggunakan 100 titik data, kontur Anda akan terlihat berlekuk-lekuk. Ketika Anda berpikir tentang menerapkan pembelajaran mesin, Anda harus memilih fitting yang tepat. Anda ingin poin data yang cukup untuk membuat sistem bekerja dengan baik, tetapi tidak terlalu banyak untuk mengacaukannya dalam kompleksitas.
Masalah yang timbul berkaitan dengan efisiensi - jika Anda mengalami masalah dengan overfitting, algoritme atau aplikasi yang berkinerja buruk, Anda akan kehilangan biaya. Mungkin sulit untuk mengubah arah dan beradaptasi dan mungkin menyingkirkan program pembelajaran mesin yang tidak berjalan baik. Beli untuk pilihan biaya peluang yang baik bisa menjadi masalah. Jadi sungguh, jalan menuju pembelajaran mesin yang sukses terkadang penuh dengan tantangan. Pikirkan ini ketika mencoba menerapkan pembelajaran mesin di perusahaan con.
