Q:
Quais são alguns dos perigos do uso de aprendizado de máquina impulsivamente?
UMA:O aprendizado de máquina é uma nova tecnologia poderosa - e é algo sobre o qual muitas empresas estão falando. No entanto, não está isento de problemas em termos de implementação e integração às práticas corporativas. Muitos dos problemas em potencial com o aprendizado de máquina vêm de sua complexidade e do necessário para realmente montar um projeto bem-sucedido de aprendizado de máquina. Aqui estão algumas das maiores armadilhas a serem observadas.
Uma coisa que pode ajudar é contratar uma equipe experiente de aprendizado de máquina para ajudar.
Um dos piores resultados do uso inadequado do aprendizado de máquina é o que você pode chamar de "informações ruins". Esse é um incômodo quando se trata de resolver os tipos de sistemas de suporte à decisão que o aprendizado de máquina fornece, mas é muito mais sério quando aplicado a qualquer tipo de sistema de missão crítica. Você não pode ter uma entrada ruim ao operar um veículo autônomo. Você não pode ter dados incorretos quando suas decisões de aprendizado de máquina afetam pessoas reais. Mesmo quando é puramente usado para pesquisas de mercado, a má inteligência pode realmente afundar seus negócios. Suponha que os algoritmos de aprendizado de máquina não façam escolhas precisas e direcionadas - e então os executivos acompanhem cegamente o que o programa de computador decidir! Isso pode realmente atrapalhar qualquer processo de negócios. A combinação de maus resultados de ML e má supervisão humana aumenta riscos.
Outro problema relacionado é o desempenho ruim de algoritmos e aplicativos. Em alguns casos, o aprendizado de máquina pode funcionar corretamente em um nível fundamental, mas não ser totalmente preciso. Você pode ter aplicativos realmente desajeitados com problemas extensos e uma lista de erros de uma milha e gastar muito tempo tentando corrigir tudo, onde você poderia ter um projeto muito mais apertado e funcional sem usar o aprendizado de máquina. É como tentar colocar um enorme motor de alta potência em um carro compacto - ele precisa se encaixar.
Isso nos leva a outro grande problema com o aprendizado de máquina inerentemente - o problema de adaptação excessiva. Assim como seu processo de aprendizado de máquina precisa se adequar ao seu processo de negócios, seu algoritmo deve se encaixar nos dados de treinamento - ou, em outras palavras, os dados de treinamento devem se adequar ao algoritmo. A maneira mais simples de explicar o sobreajuste é com o exemplo de uma forma complexa bidimensional como a fronteira de um estado-nação. A adaptação de um modelo significa decidir quantos pontos de dados você irá inserir. Se você usar apenas seis ou oito pontos de dados, sua borda parecerá um polígono. Se você usar 100 pontos de dados, seu contorno ficará todo irregular. Quando você pensa em aplicar o aprendizado de máquina, precisa escolher o acessório certo. Você deseja pontos de dados suficientes para que o sistema funcione bem, mas não muitos para diminuir a complexidade.
Os problemas resultantes têm a ver com eficiência - se você encontrar problemas com super adaptação, algoritmos ou aplicativos com desempenho insatisfatório, terá custos irrecuperáveis. Pode ser difícil mudar de rumo e se adaptar e talvez se livrar de programas de aprendizado de máquina que não estão indo bem. A adesão a boas opções de custo de oportunidade pode ser um problema. Realmente, o caminho para o aprendizado de máquina bem-sucedido às vezes é repleto de desafios. Pense nisso ao tentar implementar o aprendizado de máquina em um contexto corporativo.
