Preduzeća stalno prave ove tri greške, troše svoj novac, smanjuju performanse aplikacija i dobijaju loše rezultate. Ja sam veliki obožavalac mašinskog i dubokog obučavanja zasnovanih na oblaku i uopšte veštačke inteligencije. Na kraju krajeva, ne možete biti zagriženi za računare a da ne zamišljate razgovor sa veštačkim inteligentnim bićem koje može da odgovori na pitanja i da izvršava vaše zahteve!
To je tačno, ali neprestano nailazim na pogrešno primenjeno mašinsko obučavanje i duboko učenje zasnovano na oblaku. U većini slučajeva postoje jednostavne ispravke, a sigurno je da će se mašinsko obučavanje zasnovano na oblaku još dugo koristiti. Ali koristite ga mudro i na odgovarajući način.
Evo tri glavne greške na koje neprestano nailazim.
1. Nedovoljno podataka za obučavanje na modelu znanja
Mašinsko obučavanje bez ikakvog učenja je bezvredno. Pravi primer upotrebe mašinskog obučavanja je primena algoritama na velike količine podataka pri čemi se pojavljuju određeni obrasci koji će služiti kao obuka za aplikacije zasnovane na mašinskom obučavanju. Dakle, ako nema podataka, nema učenja. Mada aplikacija za mašinsko obučavanje može tokom vremena da prikuplja podatke i postaje pametnija, potrebna joj je početna tačka u kojoj postoji dovoljno podataka da bi se sistem naučio kako da razmišlja.
Na primer, postoje sistemi za mašinsko zarađivanje koji rade u bolnicama, a to je mračna umetnost obaveštavanja osoblja o verovatnoći da vi umrete tokom boravka u bolnici. Ako nema najmanje 100.000 tačaka podataka, možete računati da ta verovatnoća bude bilo 0 ili 100% – pa zato nije korisna.
2. Upotreba mašinskog obučavanja tamo gde nije potrebno
Ovo je najčešći neuspeh na koji nailazim, što dovodi do toga da kompanije troše tri ili četiri puta više na razvoj da bi u aplikaciji primenili mašinsko obučavanje – bez apsolutno ikakvog razloga. Sistemi za mašinsko obučavanje u mnogim slučajevima jednostavno ne nude nikakvu pravu prednost.
Proceduralna logika je najčešće dovoljna, tako da je preterano praviti baze znanja, recimo, za računovodstvene sisteme ili sistem raspoređivanja. Što je još gore, rezultirajuće aplikacije su mnogo manje efikasne.
3. Neshvatanje uticaja na performanse
Ugrađivanje sistema za mašinsko obučavanje u aplikacije ponekad ih može učiniti mnogo vrednijim za posao. Međutim, ono takođe može da uništi performanse aplikacije.
Razmislite o tome: Servis ugrađenog mašinskog obučavanja može imati kašnjenje od nekoliko sekundi dok izvršava algoritme nad podacima. Ako bi ova aplikacija trebalo da daje odgovor u skoro realnom vremenu, svaki dobitak od mašinskog obučavanja brzo se poništava ako se uzime u obzir izgubljena produktivnost zbog zakasnelog odgovora.
Izvor: InfoWorld