Хотя иногда можно разработать набор правил для решения проблемы полностью без использования МО, существуют также хорошо поставленные условия, при которых выбор МО по сравнению с его традиционными аналогами кажется обязательным.
ФРЕМОНТ, Калифорния: Несмотря на тягу к машинному обучению (ML) ради запросов, связанных с бизнесом, большинство руководителей сталкиваются с трудностями при развертывании решений на основе ML для своих бизнес-задач. Это сложная задача, потому что широкий спектр возможностей, предлагаемых ML, может поставить компании перед дилеммой, где развернуть его для получения максимальной выгоды, в то время как другие частично осознают потенциал таких технологий, как ML.
Проблемы бизнеса в рамках машинного обучения
Хотя иногда можно разработать набор правил для решения проблемы полностью без использования МО, существуют также хорошо поставленные условия, при которых выбор МО по сравнению с его традиционными аналогами кажется обязательным.
Существуют определенные сценарии, в которых машинное обучение может быть эффективно развернуто для получения лучших результатов по сравнению с обычными методами. Вот некоторые из них:
•Обнаружение лиц. Разработка набора правил для обнаружения лиц машинами — чрезвычайно сложная задача; однако алгоритм, обученный распознавать лица, может быть очень эффективным в таких случаях.
• Спам-фильтры. Хотя некоторые правила фильтрации спама возможны, например, блокируя IP-адреса, явно связанные со спамом, но большая часть фильтрации является контекстной, включая содержимое входящих сообщений, относящееся к конкретному пользователю. . Машинное обучение может использовать огромные объемы спама, что сделает его эффективным спам-фильтром. Подробнее…
