विषय
द्वारा प्रस्तुत: AltaML
प्रश्न:
मशीन सीखने का उपयोग करने के कुछ खतरे क्या हैं?
ए:
मशीन लर्निंग एक शक्तिशाली नई तकनीक है - और यह ऐसी चीज है जिसके बारे में बहुत सारी कंपनियां बात कर रही हैं। हालांकि, यह उद्यम प्रथाओं में कार्यान्वयन और एकीकरण के संदर्भ में अपनी समस्याओं के बिना नहीं है। मशीन लर्निंग के साथ कई संभावित समस्याएं इसकी जटिलता से आती हैं और एक सफल मशीन लर्निंग प्रोजेक्ट को वास्तव में स्थापित करने में क्या लगता है। यहाँ कुछ सबसे बड़े नुकसान के लिए बाहर देखने के लिए कर रहे हैं।
एक चीज जो मदद करने के लिए एक अनुभवी मशीन लर्निंग टीम को काम पर रखने में मदद कर सकती है।
मशीन लर्निंग का उपयोग करने में सबसे खराब परिणामों में से एक है जिसे आप "खराब इंटेल" कह सकते हैं। यह एक उपद्रव है जब यह निर्णय समर्थन प्रणालियों के प्रकार को इस्त्री करने की बात आती है जो मशीन लर्निंग प्रदान करती है, लेकिन इसे लागू करने पर यह अधिक गंभीर है। किसी भी तरह का मिशन-क्रिटिकल सिस्टम। जब आप स्वयं-ड्राइविंग वाहन का संचालन कर रहे हों, तो आपके पास बुरा इनपुट नहीं हो सकता है। जब आपके मशीन सीखने के फैसले वास्तविक लोगों को प्रभावित करते हैं तो आपके पास बुरा डेटा नहीं हो सकता। यहां तक कि जब यह विशुद्ध रूप से बाजार अनुसंधान जैसी चीजों के लिए उपयोग किया जाता है, तो खराब बुद्धि वास्तव में आपके व्यवसाय को डुबो सकती है। मान लीजिए कि मशीन लर्निंग एल्गोरिदम सटीक और लक्षित विकल्प नहीं बनाते हैं - और फिर कंप्यूटर प्रोग्राम जो भी निर्णय लेता है, उसके साथ अधिकारी आँख बंद करके चलते हैं! यह वास्तव में किसी भी व्यावसायिक प्रक्रिया को गड़बड़ कर सकता है। खराब एमएल परिणामों और खराब मानव निरीक्षण का संयोजन जोखिम उठाता है।
एक और संबंधित समस्या एल्गोरिदम और अनुप्रयोगों का खराब प्रदर्शन है। कुछ मामलों में, मशीन सीखना एक मौलिक स्तर पर सही काम कर सकता है, लेकिन पूरी तरह से सटीक नहीं है। आपके पास व्यापक समस्याओं के साथ वास्तव में क्लूनी अनुप्रयोग हो सकते हैं, और एक बग सूची एक मील लंबी हो सकती है, और हर चीज को सही करने के लिए बहुत समय बिताना होगा, जहां आपके पास मशीन सीखने का उपयोग किए बिना बहुत अधिक तंग और अधिक कार्यात्मक परियोजना हो सकती थी। यह एक कॉम्पैक्ट कार में एक बड़े पैमाने पर उच्च-हार्सपावर इंजन लगाने की कोशिश करने जैसा है - इसे फिट करना होगा।
यह मशीन सीखने के साथ हमें एक और बड़ी समस्या के साथ लाता है - ओवरफिटिंग समस्या। जैसे आपकी मशीन सीखने की प्रक्रिया को आपकी व्यावसायिक प्रक्रिया को फिट करना होता है, वैसे ही आपके एल्गोरिथ्म को प्रशिक्षण डेटा को फिट करना होता है - या इसे दूसरे तरीके से रखने के लिए, प्रशिक्षण डेटा को एल्गोरिथम को फिट करना होगा। ओवरफिटिंग को समझाने का सबसे सरल तरीका एक राष्ट्र-राज्य की सीमा जैसी द्वि-आयामी जटिल आकृति का उदाहरण है। एक मॉडल की फिटिंग का अर्थ है कि आप कितने डेटा पॉइंट्स डालने जा रहे हैं। यदि आप केवल छह या आठ डेटा पॉइंट्स का उपयोग करते हैं, तो आपकी सीमा बहुभुज की तरह दिखने वाली है। यदि आप 100 डेटा बिंदुओं का उपयोग करते हैं, तो आपका समोच्च सभी स्क्वीगली दिखने वाला है। जब आप मशीन सीखने को लागू करने के बारे में सोचते हैं, तो आपको सही फिटिंग का चयन करना होगा। आप सिस्टम को अच्छी तरह से काम करने के लिए पर्याप्त डेटा बिंदु चाहते हैं, लेकिन जटिलता में इसे कम करने के लिए बहुत सारे नहीं हैं।
परिणामी समस्याओं को दक्षता के साथ करना पड़ता है - यदि आप ओवरफिटिंग, एल्गोरिदम या खराब प्रदर्शन वाले अनुप्रयोगों के साथ समस्याओं में भाग लेते हैं, तो आपके पास डूबने वाली लागतें होने वाली हैं। यह पाठ्यक्रम को बदलने और अनुकूलन करने के लिए कठिन हो सकता है और शायद मशीन सीखने के कार्यक्रमों से छुटकारा पाएं जो अच्छी तरह से नहीं चल रहे हैं। अच्छे अवसर के लिए बाय-इन लागत विकल्प एक मुद्दा हो सकता है। इसलिए वास्तव में, सफल मशीन लर्निंग की ओर का रास्ता कभी-कभी चुनौतियों से भरा होता है। एक एंटरप्राइज़ कॉन में मशीन लर्निंग को लागू करने की कोशिश करते समय इस बारे में सोचें।
