المحتوى
تقديم: AltaML
Q:
ما هي بعض مخاطر استخدام التعلم الآلي بشكل متهور؟
أ:
التعلم الآلي عبارة عن تقنية جديدة قوية - وهو أمر تتحدث عنه الكثير من الشركات. ومع ذلك ، فإنه لا يخلو من مشاكلها من حيث التنفيذ والاندماج في ممارسات المؤسسة. العديد من المشاكل المحتملة للتعلم الآلي تأتي من تعقيدها وما يتطلبه الأمر لإنشاء مشروع ناجح للتعلم الآلي. فيما يلي بعض أكبر المزالق التي يجب الانتباه إليها.
شيء واحد يمكن أن يساعد هو التعاقد مع فريق من ذوي الخبرة تعلم الآلة للمساعدة.
واحدة من أسوأ النتائج في استخدام التعلم الآلي بشكل سيء هي ما يمكن أن تسميه "intel سيء". هذا مصدر إزعاج عندما يتعلق الأمر بالتخلص من أنواع أنظمة دعم القرار التي يوفرها التعلم الآلي ، لكنها أكثر خطورة عند تطبيقها على أي نوع من نظام المهمة الحرجة. لا يمكنك الحصول على مدخلات سيئة عند تشغيل مركبة ذاتية القيادة. لا يمكنك امتلاك بيانات سيئة عندما تؤثر قرارات تعلم الآلة على أشخاص حقيقيين. حتى عندما يتم استخدامه بشكل محض لأشياء مثل أبحاث السوق ، فإن المعلومات السيئة يمكن أن تغرق أعمالك حقًا. لنفترض أن خوارزميات التعلم الآلي لا تقوم باختيارات دقيقة وموجهة - وبعد ذلك يوافق المسؤولون التنفيذيون عمياء مع أي شيء يقرر برنامج الكمبيوتر! يمكن أن يفسد حقا أي عملية تجارية. مزيج من نتائج ML الفقراء وسوء الرقابة البشرية يثير المخاطر.
مشكلة أخرى ذات صلة هي أداء خوارزميات وتطبيقات سيئة. في بعض الحالات ، قد يعمل التعلم الآلي بشكل صحيح على مستوى أساسي ، ولكن ليس دقيقًا تمامًا. قد يكون لديك تطبيقات غير مرهقة حقًا بها مشاكل واسعة النطاق ، وقائمة الأخطاء على مسافة ميل واحد ، وتقضي الكثير من الوقت في محاولة لتصحيح كل شيء ، حيث كان يمكن أن يكون لديك مشروع أكثر تشددًا وأكثر فاعلية دون استخدام التعلم الآلي على الإطلاق. إنه مثل محاولة وضع محرك هائل عالي القدرة في سيارة مدمجة - يجب أن يكون مناسبًا.
يقودنا ذلك إلى مشكلة رئيسية أخرى تتعلق بالتعلم الآلي بطبيعتها - مشكلة التحليق. تمامًا مثلما يجب أن تتناسب عملية التعلم الآلي مع عملية عملك ، يتعين على الخوارزمية أن تتناسب مع بيانات التدريب - أو لوضعها بطريقة أخرى ، يجب أن تكون بيانات التدريب مناسبة للخوارزمية. إن أبسط طريقة لتفسير التحليق هي مثال لشكل معقد ثنائي الأبعاد مثل حدود الدولة القومية. يعني تركيب نموذج ما تحديد عدد نقاط البيانات التي ستقوم بإدخالها. إذا كنت تستخدم فقط ست أو ثماني نقاط بيانات ، فإن حدودك ستبدو مضلعة. إذا كنت تستخدم 100 نقطة بيانات ، فستظهر محيطك بالكامل. عندما تفكر في تطبيق التعلم الآلي ، عليك اختيار المناسب المناسب. تريد نقاط بيانات كافية لجعل النظام يعمل بشكل جيد ، ولكن ليس عددًا كبيرًا حتى يتعطل في التعقيد.
تتعلق المشاكل الناتجة بالكفاءة - إذا واجهت مشاكل في التجميع أو الخوارزميات أو التطبيقات ذات الأداء الضعيف ، فسوف تتحمل تكاليف باهظة. قد يكون من الصعب تغيير المسار والتكيف وربما التخلص من برامج التعلم الآلي التي لا تسير على ما يرام. يمكن أن يكون اختيار خيارات التكلفة الجيدة للفرصة مشكلة. في الحقيقة ، فإن الطريق نحو التعلم الآلي الناجح محفوف بالتحديات في بعض الأحيان. فكر في هذا الأمر عند محاولة تطبيق التعلم الآلي في شركة con.
