Contenuto
Presentato da: AltaML
D:
Quali sono alcuni dei pericoli derivanti dall'uso impulsivo dell'apprendimento automatico?
UN:
L'apprendimento automatico è una nuova potente tecnologia - ed è qualcosa di cui molte aziende stanno parlando. Tuttavia, non è privo di problemi in termini di implementazione e integrazione nelle pratiche aziendali. Molti dei potenziali problemi con l'apprendimento automatico derivano dalla sua complessità e da ciò che serve per avviare davvero un progetto di apprendimento automatico di successo. Ecco alcune delle più grandi insidie a cui prestare attenzione.
Una cosa che può aiutare è assumere un team di apprendimento automatico con esperienza per aiutare.
Uno dei peggiori risultati nell'uso scarso dell'apprendimento automatico è quello che potresti chiamare "cattive informazioni". Questo è un fastidio quando si tratta di stirare i tipi di sistemi di supporto alle decisioni forniti dall'apprendimento automatico, ma è molto più serio quando viene applicato a qualsiasi tipo di sistema mission-critical. Non si può avere un input errato quando si guida un veicolo a guida autonoma. Non puoi avere dati errati quando le tue decisioni di apprendimento automatico riguardano persone reali. Anche quando viene utilizzato esclusivamente per cose come la ricerca di mercato, la cattiva intelligenza può davvero affondare la tua attività. Supponiamo che gli algoritmi di apprendimento automatico non facciano scelte precise e mirate - e quindi i dirigenti procedano alla cieca con qualunque cosa il programma per computer decida! Questo può davvero rovinare qualsiasi processo aziendale. La combinazione di scarsi risultati ML e scarsa supervisione umana aumenta i rischi.
Un altro problema correlato sono gli algoritmi e le applicazioni scarsamente performanti. In alcuni casi, l'apprendimento automatico potrebbe funzionare a un livello fondamentale, ma non essere del tutto preciso. Potresti avere applicazioni davvero ingombranti con problemi estesi e un elenco di bug lungo un miglio e passare molto tempo a cercare di correggere tutto, dove avresti potuto avere un progetto molto più stretto e più funzionale senza usare l'apprendimento automatico. È come provare a montare un enorme motore ad alta potenza in un'auto compatta: deve adattarsi.
Questo ci porta ad un altro grave problema con l'apprendimento automatico intrinsecamente: il problema del sovradimensionamento. Proprio come il processo di apprendimento automatico deve adattarsi al processo aziendale, l'algoritmo deve adattarsi ai dati di addestramento o, in altre parole, i dati di addestramento devono adattarsi all'algoritmo. Il modo più semplice per spiegare il sovradimensionamento è con l'esempio di una forma complessa bidimensionale come il confine di uno stato-nazione. Adattare un modello significa decidere quanti punti di dati inserirai. Se usi solo sei o otto punti di dati, il tuo bordo sembrerà un poligono. Se usi 100 punti dati, il tuo contorno apparirà tutto agitato. Quando pensi di applicare l'apprendimento automatico, devi scegliere il raccordo giusto. Volete abbastanza punti dati per far funzionare bene il sistema, ma non troppi per renderlo meno complicato.
I problemi che ne derivano hanno a che fare con l'efficienza: se si verificano problemi con il sovradimensionamento, gli algoritmi o le applicazioni con prestazioni scarse, si avranno costi sommersi. Può essere difficile cambiare rotta e adattarsi e forse sbarazzarsi dei programmi di apprendimento automatico che non stanno andando bene. Il buy-in per le scelte di costo di buone opportunità può essere un problema. Quindi, in realtà, il percorso verso il successo dell'apprendimento automatico è talvolta pieno di sfide. Pensaci quando cerchi di implementare l'apprendimento automatico in un ambiente aziendale.
