Q：
機械学習を衝動的に使用することの危険性は何ですか？
A：機械学習は強力な新しいテクノロジーであり、多くの企業が話しているものです。 ただし、エンタープライズプラクティスへの実装と統合の点で問題がないわけではありません。 機械学習の潜在的な問題の多くは、その複雑さと、成功した機械学習プロジェクトを実際にセットアップするために必要なものに起因しています。 ここでは、注意すべき最大の落とし穴をいくつか示します。
役立つことの1つは、経験豊富な機械学習チームを雇って支援することです。
機械学習の使用が不十分な場合の最悪の結果の1つは、「悪いインテル」と呼ばれるものです。これは、機械学習が提供する意思決定支援システムの種類を解決する際に迷惑ですが、適用されるとさらに深刻になりますあらゆる種類のミッションクリティカルなシステム。 自動運転車を運転しているときは、悪い入力をすることはできません。 機械学習の決定が実際の人に影響を与える場合、不良データを取得することはできません。 市場調査などに純粋に使用されている場合でも、悪いインテリジェンスは本当にビジネスを沈める可能性があります。 機械学習アルゴリズムが正確で的を絞った選択を行わないと仮定します。そして、幹部はコンピュータプログラムが決定するものを何でも盲目的に行います。 それは本当にビジネスプロセスを台無しにすることができます。 劣悪なML結果と劣悪な人間の監視の組み合わせは、リスクを引き起こします。
別の関連する問題は、アルゴリズムとアプリケーションのパフォーマンスの低下です。 場合によっては、機械学習は基本的なレベルで正しく機能するかもしれませんが、完全に正確ではありません。 機械学習をまったく使用せずに、よりタイトでより機能的なプロジェクトを作成できた場合、広範な問題を抱え、バグリストが1マイル長い本当に不格好なアプリケーションがあり、すべてを修正するのに多くの時間を費やす可能性があります。 それはコンパクトな車に巨大な高馬力のエンジンを入れようとするようなものです。
それは、機械学習に固有のもう1つの大きな問題、つまり過剰適合問題につながります。 機械学習プロセスがビジネスプロセスに適合しなければならないように、アルゴリズムもトレーニングデータに適合しなければなりません。つまり、トレーニングデータはアルゴリズムに適合しなければなりません。 過剰適合を説明する最も簡単な方法は、国民国家の境界のような2次元の複雑な形状の例です。 モデルの適合とは、挿入するデータポイントの数を決定することです。6〜8個のデータポイントのみを使用する場合、境界線は多角形のように見えます。 100個のデータポイントを使用すると、輪郭はすべて波打って見えます。 機械学習の適用について考えるとき、適切なフィッティングを選択する必要があります。 システムを適切に動作させるのに十分なデータポイントが必要ですが、複雑さを軽減するには多すぎません。
結果として生じる問題は効率に関係します。過剰適合、アルゴリズム、またはパフォーマンスの低いアプリケーションで問題が発生した場合、コストが発生します。 コースを変更して適応させるのは難しい場合があり、うまくいかない機械学習プログラムを取り除くこともできます。 良い機会費用の選択のための賛同が問題になる可能性があります。 本当に、成功した機械学習への道は、時には課題に満ちています。 エンタープライズコンテキストで機械学習を実装しようとするとき、これについて考えてください。
