Inhalt
Präsentiert von: AltaML
Q:
Welche Gefahren birgt der impulsive Einsatz von maschinellem Lernen?
EIN:
Maschinelles Lernen ist eine leistungsstarke neue Technologie - und darüber sprechen viele Unternehmen. Dies ist jedoch nicht unproblematisch in Bezug auf die Implementierung und Integration in Unternehmenspraktiken. Viele der potenziellen Probleme beim maschinellen Lernen ergeben sich aus der Komplexität und den Voraussetzungen für ein erfolgreiches maschinelles Lernprojekt. Hier sind einige der größten Gefahren, auf die Sie achten sollten.
Eine Sache, die helfen kann, ist die Einstellung eines erfahrenen Teams für maschinelles Lernen.
Eines der schlimmsten Ergebnisse bei einer schlechten Nutzung des maschinellen Lernens ist das, was man als „schlechte Informationen“ bezeichnen könnte. Dies ist ein Ärgernis, wenn es darum geht, die Arten von Entscheidungsunterstützungssystemen auszubügeln, die das maschinelle Lernen bietet jede Art von unternehmenskritischem System. Sie können keine schlechten Eingaben machen, wenn Sie ein selbstfahrendes Fahrzeug bedienen. Sie können keine schlechten Daten haben, wenn Ihre maschinellen Lernentscheidungen echte Menschen betreffen. Auch wenn es nur für Marktforschungszwecke verwendet wird, kann schlechte Intelligenz Ihr Unternehmen wirklich unterlaufen. Angenommen, Algorithmen für maschinelles Lernen treffen keine präzisen und gezielten Entscheidungen - und dann gehen die Führungskräfte blindlings mit, was auch immer das Computerprogramm entscheidet! Das kann jeden Geschäftsprozess durcheinander bringen. Die Kombination von schlechten ML-Ergebnissen und schlechter menschlicher Aufsicht birgt Risiken.
Ein weiteres verwandtes Problem ist die schlechte Leistung von Algorithmen und Anwendungen. In einigen Fällen funktioniert das maschinelle Lernen zwar grundlegend, aber nicht ganz präzise. Möglicherweise haben Sie sehr umständliche Anwendungen mit umfangreichen Problemen und eine kilometerlange Fehlerliste, und Sie verbringen viel Zeit damit, alles zu korrigieren, wo Sie ein viel strafferes und funktionaleres Projekt hätten haben können, ohne überhaupt maschinelles Lernen zu verwenden. Es ist, als würde man versuchen, einen massiven Motor mit hoher Leistung in ein kompaktes Auto zu stecken - es muss passen.
Das bringt uns zu einem weiteren großen Problem des maschinellen Lernens - dem Problem der Überanpassung. So wie Ihr maschineller Lernprozess zu Ihrem Geschäftsprozess passen muss, muss Ihr Algorithmus zu den Trainingsdaten passen - oder anders ausgedrückt, die Trainingsdaten müssen zum Algorithmus passen. Am einfachsten lässt sich die Überanpassung am Beispiel einer zweidimensionalen komplexen Form wie der Grenze eines Nationalstaates erklären. Wenn Sie ein Modell anpassen, müssen Sie entscheiden, wie viele Datenpunkte Sie einfügen möchten. Wenn Sie nur sechs oder acht Datenpunkte verwenden, sieht der Rahmen wie ein Polygon aus. Wenn Sie 100 Datenpunkte verwenden, wird Ihre Kontur völlig verzerrt aussehen. Wenn Sie über maschinelles Lernen nachdenken, müssen Sie die richtige Anpassung auswählen. Sie möchten genügend Datenpunkte, damit das System ordnungsgemäß funktioniert, aber nicht zu viele, um die Komplexität zu beeinträchtigen.
Daraus resultierende Probleme haben mit der Effizienz zu tun - wenn Sie auf Probleme mit Überanpassungen, Algorithmen oder Anwendungen mit schlechter Leistung stoßen, sind die Kosten gesunken. Es kann schwierig sein, den Kurs zu ändern, sich anzupassen und möglicherweise maschinelle Lernprogramme loszuwerden, die nicht gut laufen. Das Buy-in für eine gute Auswahl der Opportunitätskosten kann ein Problem sein. Der Weg zum erfolgreichen maschinellen Lernen ist also manchmal mit Herausforderungen behaftet. Denken Sie darüber nach, wenn Sie versuchen, maschinelles Lernen in einem Unternehmen zu implementieren.
