큐:
기계 학습을 충동 적으로 사용하면 어떤 위험이 있습니까?
ㅏ:머신 러닝은 강력한 신기술이며 많은 회사들이 이야기하고있는 것입니다. 그러나 구현 및 엔터프라이즈 관행 통합과 관련하여 문제가없는 것은 아닙니다. 머신 러닝의 많은 잠재적 문제는 복잡성과 성공적인 머신 러닝 프로젝트를 실제로 설정하는 데 필요한 것에서 비롯됩니다. 주의해야 할 가장 큰 함정은 다음과 같습니다.
도움이 될 수있는 한 가지는 숙련 된 기계 학습 팀을 고용하는 것입니다.
머신 러닝을 잘못 사용하면 최악의 결과 중 하나는 "나쁜 인텔"이라고 불릴 수 있습니다. 머신 러닝이 제공하는 의사 결정 지원 시스템을 다림질 할 때 귀찮은 일이지만, 적용 할 때 훨씬 더 심각합니다. 모든 종류의 미션 크리티컬 시스템. 자가 운전 차량을 운전할 때는 입력이 잘못 될 수 없습니다. 머신 러닝 결정이 실제 사람들에게 영향을 미칠 때 나쁜 데이터를 가질 수 없습니다. 시장 조사와 같은 용도로만 사용하더라도 나쁜 정보는 실제로 비즈니스에 영향을 줄 수 있습니다. 머신 러닝 알고리즘이 정확하고 타깃 화 된 선택을하지 않는다고 가정 해 봅시다. 경영진은 컴퓨터 프로그램이 결정한대로 맹목적으로 노력합니다! 그것은 실제로 모든 비즈니스 프로세스를 망칠 수 있습니다. 빈약 한 ML 결과와 열악한 인간 감독의 조합은 위험을 증가시킵니다.
다른 관련 문제는 알고리즘 및 응용 프로그램의 성능이 저하되는 것입니다. 경우에 따라 기계 학습은 기본 수준에서 제대로 작동하지만 완전히 정확하지는 않습니다. 광범위한 문제가있는 매우 복잡한 응용 프로그램과 1 마일 길이의 버그 목록이있을 수 있으며 모든 것을 수정하려고 많은 시간을 할애합니다. 머신 학습을 전혀 사용하지 않고도 훨씬 더 강력하고 기능적인 프로젝트를 수행 할 수있었습니다. 마치 소형 차량에 거대한 고 마력 엔진을 장착하는 것과 같습니다.
이는 머신 러닝의 또 다른 주요 문제인 과적 합 문제를 초래합니다. 머신 러닝 프로세스가 비즈니스 프로세스에 맞아야하는 것처럼 알고리즘은 훈련 데이터에 맞아야합니다. 또는 다른 방법으로 훈련 데이터는 알고리즘에 맞아야합니다. 과적 합을 설명하는 가장 간단한 방법은 국가 국가의 경계와 같은 2 차원 복합 형태의 예입니다. 모델을 피팅한다는 것은 얼마나 많은 데이터 포인트를 넣을지를 결정하는 것을 의미합니다. 6 개 또는 8 개의 데이터 포인트 만 사용하면 테두리가 다각형처럼 보입니다. 100 개의 데이터 포인트를 사용하면 컨투어가 구불 구불하게 보입니다. 머신 러닝을 적용 할 때는 올바른 피팅을 선택해야합니다. 시스템이 제대로 작동하기에 충분한 데이터 포인트를 원하지만 너무 복잡하지는 않습니다.
결과적인 문제는 효율성과 관련이 있습니다. 과적 합, 알고리즘 또는 성능이 떨어지는 응용 프로그램에 문제가 발생하면 비용이 많이 듭니다. 과정을 바꾸고 적응하기가 어려울 수 있으며 잘 진행되지 않는 기계 학습 프로그램을 제거 할 수도 있습니다. 좋은 기회 비용 선택을위한 바이 인이 문제가 될 수 있습니다. 따라서 실제로 성공적인 기계 학습을 향한 길에는 도전이 따릅니다. 엔터프라이즈 컨텍스트에서 머신 러닝을 구현할 때이 점을 고려하십시오.