सामग्री
सादरः अल्टाएमएल
प्रश्नः
मशीन लर्निंगचा आवेगात वापर करण्याच्या काही धोके काय आहेत?
उत्तरः
मशीन लर्निंग हे एक नवीन नवीन तंत्रज्ञान आहे - आणि हे असे काहीतरी आहे ज्याबद्दल बर्‍याच कंपन्या बोलत आहेत. तथापि, अंमलबजावणीच्या दृष्टीने आणि एंटरप्राइझ पद्धतींमध्ये समाकलित करण्याच्या बाबतीत ही समस्या उद्भवल्याशिवाय नाही. मशीन शिक्षणातील बर्‍याच संभाव्य समस्या त्याच्या जटिलतेमुळे आणि यशस्वी मशीन शिक्षण प्रकल्प स्थापित करण्यास काय आवश्यक आहे. येथे पहाण्यासाठी काही सर्वात मोठे नुकसान आहेत.
मदत करणारी एक गोष्ट म्हणजे अनुभवी मशीन लर्निंग टीमला मदत करण्यासाठी नियुक्त करणे.
मशीन लर्निंगचा खराब वापर करण्यातील सर्वात वाईट निकालांपैकी एक म्हणजे आपण "बॅड इंटेल" म्हणू शकता. जेव्हा मशीन शिक्षण पुरवते अशा प्रकारच्या समर्थन समर्थन प्रणालींचे इस्त्री करण्याचा विचार केला तर हा उपद्रव आहे, परंतु जेव्हा ते लागू होते तेव्हा ते अधिक गंभीर असते. कोणत्याही प्रकारच्या मिशन-क्रिटिकल सिस्टम. आपण स्वत: ची वाहन चालवित असताना आपल्यास खराब इनपुट असू शकत नाही. जेव्हा आपल्या मशीन शिक्षण निर्णयांचा वास्तविक लोकांवर परिणाम होतो तेव्हा आपल्याकडे खराब डेटा असू शकत नाही. जरी तो पूर्णपणे मार्केट रिसर्चसारख्या गोष्टींसाठी वापरला जातो, तरीही खराब बुद्धिमत्ता खरोखर आपला व्यवसाय बुडवू शकते. समजा मशीन लर्निंग अल्गोरिदम अचूक आणि लक्ष्यित निवड करीत नाहीत - आणि मग एक्झिक्युटिव्ह संगणक प्रोग्राम जे काही ठरवतात त्या डोळ्यांनी डोकावतात. हे खरोखर कोणत्याही व्यवसाय प्रक्रियेत घोटाळा करू शकते. खराब एमएल परीणाम आणि खराब मानवी उपेक्षा यांचे संयोजन जोखीम वाढवते.
इतर संबंधित समस्या अल्गोरिदम आणि अनुप्रयोग खराब कामगिरी करणे. काही प्रकरणांमध्ये, मशीन शिक्षण मूलभूत स्तरावर योग्यरित्या कार्य करू शकते, परंतु पूर्णपणे अचूक नसते. आपल्याकडे विस्मयकारक समस्या असलेले खरोखर अनुप्रयोग असू शकतात आणि एक बग सूची एक मैल लांब असेल आणि सर्वकाही दुरुस्त करण्याचा प्रयत्न करण्यासाठी बराच वेळ घालवावा लागेल, जिथे आपण मशीन शिकविल्याशिवाय अजिबात कठोर आणि अधिक कार्यशील प्रकल्प करू शकला असता. हे कॉम्पॅक्ट कारमध्ये भव्य उच्च-अश्वशक्ती इंजिन ठेवण्याचा प्रयत्न करण्यासारखे आहे - ते फिट आहे.
यामुळे आम्हाला मूळतः मशीन लर्निंगची आणखी एक मोठी समस्या उद्भवली आहे - अतिउत्साहीपणाची समस्या. जसे आपल्या मशीन प्रक्रियेस आपल्या व्यवसाय प्रक्रियेस बसवावे लागते तसेच आपल्या अल्गोरिदमला प्रशिक्षण डेटा बसवावा लागतो - किंवा दुसर्‍या मार्गाने सांगायचा असेल तर प्रशिक्षण डेटा अल्गोरिदम बसवावा लागेल. ओव्हरफिटिंगचे स्पष्टीकरण करण्याचा सोपा मार्ग म्हणजे राष्ट्र-राज्याच्या सीमेसारख्या द्विमितीय जटिल आकाराचे उदाहरण. मॉडेल बसविणे म्हणजे आपण किती डेटा पॉइंट्स ठेवणार आहोत हे ठरविणे. जर आपण फक्त सहा किंवा आठ डेटा पॉईंट्स वापरत असाल तर आपली सीमा बहुभुजाकृतीसारखी दिसेल. आपण 100 डेटा पॉईंट्स वापरल्यास, आपले समोच्च सर्व विचित्र दिसत आहेत. जेव्हा आपण मशीन शिक्षण लागू करण्याचा विचार करता तेव्हा आपल्याला योग्य फिटिंग निवडावी लागेल. सिस्टमला चांगले कार्य करण्यासाठी आपल्याला पुरेसे डेटा पॉईंट्स हवे आहेत, परंतु जटिलतेत अडथळा आणण्यासारखे बरेच नाही.
परिणामी अडचणींचा कार्यक्षमतेशी निगडीत संबंध आहे - जर आपण ओव्हरफिटिंग, अल्गोरिदम किंवा खराब कामगिरी अनुप्रयोगामध्ये अडचणी येत असाल तर आपणास बुडवून खर्च करावे लागेल. कोर्स बदलणे आणि परिस्थितीशी जुळवून घेणे आणि कदाचित चांगले नसलेले मशीन शिक्षण कार्यक्रम काढून टाकणे कठीण आहे. चांगल्या संधींच्या निवडीसाठी खरेदी करणे ही समस्या असू शकते. खरोखर, यशस्वी मशीन शिक्षणाकडे जाण्याचा मार्ग कधीकधी आव्हानांनी परिपूर्ण असतो. एंटरप्राइझ कॉनमध्ये मशीन लर्निंगची अंमलबजावणी करण्याचा प्रयत्न करताना याबद्दल विचार करा.
