Content
Presentat per: AltaML
P:
Quins són alguns dels perills de l’ús impulsiu de l’aprenentatge automàtic?
R:
L’aprenentatge automàtic és una potent i nova tecnologia, i és una cosa que moltes empreses parlen. Tanmateix, no té problemes sense implementar i integrar en pràctiques empresarials. Molts dels problemes possibles amb l’aprenentatge automàtic provenen de la seva complexitat i del que es necessita per engegar realment un projecte d’èxit d’aprenentatge automàtic. A continuació, es mostren alguns dels obstacles més importants que cal tenir en compte.
Una cosa que pot ajudar és contractar un equip experimentat d’aprenentatge de màquines per ajudar-lo.
Un dels pitjors resultats d’utilitzar malament l’aprenentatge automàtic és el que podríeu anomenar “mala intel·ligència”. Això és una molèstia a l’hora de planxar els tipus de sistemes de suport a la decisió que proporciona l’aprenentatge automàtic, però és molt més greu quan s’aplica a qualsevol tipus de sistema crític per a la missió. No podeu tenir una mala entrada quan utilitzeu un vehicle que condueixi per si mateix. No podeu tenir dades incorrectes quan les vostres decisions d’aprenentatge automàtic afectin persones reals. Fins i tot quan es fa servir exclusivament per a coses com la investigació de mercat, la mala intel·ligència pot enfonsar el vostre negoci. Suposem que els algorismes d’aprenentatge automàtic no adopten opcions precises i orientades, i els executius s’acompanyen cegament amb el que el programa de l’ordinador decideixi. Això realment pot desordenar qualsevol procés empresarial. La combinació de bons resultats de la ML i una mala supervisió humana genera riscos.
Un altre problema relacionat són els algorismes i aplicacions amb un bon funcionament. En alguns casos, l’aprenentatge automàtic podria funcionar correctament a un nivell fonamental, però no ser del tot precís. Pot ser que tingueu aplicacions realment desordenades amb problemes extensos i que tingueu una llista d’errors d’una milla de llarg i dediqueu molta estona a intentar corregir-ho tot, on podríeu haver tingut un projecte molt més ajustat i funcional sense utilitzar l’aprenentatge de màquines. És com intentar posar un motor massiu d’alta potència en un cotxe compacte: s’ha d’encaixar.
Això ens porta a un altre problema important amb l’aprenentatge automàtic de manera inherent: el problema d’adequació. De la mateixa manera que el procés d’aprenentatge automàtic ha d’adaptar-se al procés empresarial, el vostre algorisme s’ha d’ajustar a les dades de formació o, d’una altra manera, les dades de formació s’han d’ajustar a l’algoritme. La manera més senzilla d’explicar l’abonament és amb l’exemple d’una forma complexa bidimensional com la frontera d’un estat nació. L’adaptació d’un model significa decidir quants punts de dades heu d’introduir. Si només utilitzeu sis o vuit punts de dades, la vostra vora semblarà un polígon. Si utilitzeu 100 punts de dades, el contorn us quedarà bé. Quan penseu en l'aprenentatge de màquines, heu de triar l’adequació adequada. Voleu suficients punts de dades perquè el sistema funcioni bé, però no massa per combinar-lo amb complexitat.
Els problemes que resulten tenen a veure amb l'eficiència: si teniu problemes amb l'ajustament, els algoritmes o les aplicacions amb un mal funcionament, tindreu costos enfonsats. Pot ser difícil canviar de rumb i adaptar-se, i potser desfer-se dels programes d'aprenentatge automàtic que no van bé. El cost de comprar una bona opció de costos pot ser un problema. Així, de debò, el camí cap a l’aprenentatge automàtic amb èxit està de vegades carregat de reptes. Penseu en això quan intenteu implementar l'aprenentatge automàtic en una empresa.
