Contenu
Présenté par: AltaML
Q:
Quels sont certains des dangers liés à l'utilisation de l'apprentissage machine impulsif?
UNE:
L'apprentissage automatique est une nouvelle technologie puissante - et de nombreuses entreprises en parlent. Cependant, ce n’est pas sans problèmes en termes de mise en œuvre et d’intégration dans les pratiques de l’entreprise. La plupart des problèmes potentiels liés à l'apprentissage automatique proviennent de sa complexité et de la nécessité de vraiment mettre en place un projet d'apprentissage automatique réussi. Voici quelques-uns des plus gros pièges à surveiller.
Une chose qui peut aider est d’embaucher une équipe expérimentée d’apprentissage automatique.
Ce que l’on pourrait appeler «une mauvaise intelligence» est l’un des pires résultats de l’apprentissage malin de la machine. C’est une gêne pour régler les types de systèmes d’aide à la décision fournis par la machine, mais c’est beaucoup plus grave quand on l’applique à tout type de système critique. Vous ne pouvez pas avoir une mauvaise entrée lorsque vous conduisez un véhicule autonome. Vous ne pouvez pas avoir de mauvaises données lorsque vos décisions d'apprentissage automatique affectent de vraies personnes. Même lorsqu'elle est utilisée à des fins telles que les études de marché, une mauvaise intelligence peut réellement nuire à votre entreprise. Supposons que les algorithmes d'apprentissage automatique ne fassent pas de choix précis et ciblés - et que les cadres suivent ensuite à l'aveuglette ce que le programme informatique décide! Cela peut vraiment gâcher n'importe quel processus d'entreprise. La combinaison de résultats médiocres en matière de BC et de contrôle humain réduit les risques.
Un autre problème lié aux algorithmes et applications peu performants. Dans certains cas, l’apprentissage automatique peut fonctionner correctement mais ne pas être tout à fait précis. Vous avez peut-être des applications très maladroites avec de nombreux problèmes, une liste de bogues longue et longue, et vous passez beaucoup de temps à essayer de tout corriger, alors que vous auriez pu avoir un projet beaucoup plus serré et plus fonctionnel sans utiliser l'apprentissage automatique. C'est comme essayer de mettre un énorme moteur de grande puissance dans une voiture compacte - il faut bien l'adapter.
Cela nous amène à un autre problème majeur de l’apprentissage automatique: le problème de la sur-adaptation. Tout comme votre processus d'apprentissage machine doit s'adapter à votre processus métier, votre algorithme doit correspondre aux données de formation. Autrement dit, les données de formation doivent correspondre à l'algorithme. Le moyen le plus simple d’expliquer l’overfitting est l’exemple d’une forme complexe à deux dimensions telle que la frontière d’un État-nation. L’ajustement d’un modèle consiste à choisir le nombre de points de données que vous allez insérer. Si vous n’utilisez que six ou huit points de données, votre bordure ressemblera à un polygone. Si vous utilisez 100 points de données, votre contour aura l'air tout en ondulé. Lorsque vous songez à appliquer l’apprentissage automatique, vous devez choisir le bon raccord. Vous souhaitez disposer de suffisamment de points de données pour que le système fonctionne correctement, mais pas trop pour le compliquer.
Les problèmes qui en résultent sont liés à l'efficacité: si vous rencontrez des problèmes de surajustement, d'algorithmes ou d'applications peu performantes, vos coûts seront irrécupérables. Il peut être difficile de changer de cap, d’adapter et peut-être de se débarrasser des programmes d’apprentissage automatique qui ne fonctionnent pas bien. L’adhésion à de bons choix de coûts d’opportunité peut être un problème. Alors vraiment, le chemin vers un apprentissage automatique réussi est parfois semé d'embûches. Pensez-y lorsque vous essayez d'implémenter l'apprentissage automatique dans une entreprise.
