Эй, машинное обучение не может быть решением всего, и даже если бы это было возможно, нам не нужно применять машинное обучение ко всем проблемам! В сегодняшнем посте давайте рассмотрим все те случаи, когда мы предпочли бы не использовать машинное обучение.
Где простой код или программирование могут решить эту задачу: это должно быть очевидно. Либо как часть большой проблемы, которую вы пытаетесь решить, либо это самостоятельная проблема, если вы можете решить ее с помощью простой программы, то зачем вообще рассматривать машинное обучение? Машинное обучение сложное, требует много работы, требует квалифицированных людей для выполнения работы и дорого стоит. Если существует простое исправление, используйте простое исправление.
Когда вы можете использовать простую электронную таблицу или фрейм данных, чтобы указать входные значения и метки: допустим, для продукта есть только два возможных варианта цвета: черный и белый, и вы хотите выбрать ввод от пользователя и запуск процесса. Конечно, было бы разумнее создать небольшую таблицу самостоятельно для этих двух цветов со всеми возможными опечатками и вариациями, которые вы можете придумать, и преобразовать все это в нижний регистр, а затем обработать ввод, пометив все другие входные значения как «другие». или «недействительный». Здесь вам не нужно загружать подробную базу данных цветов и обучать машину идентифицировать все входные значения и находить правильное цветовое соответствие, верно? Это было бы просто ненужно.
Если у вас недостаточно данных, чтобы машина могла понять различия между разными классами: допустим, у меня есть 4 фотографии собак и 3 фотографии кошек. Не могли бы вы предложить мне использовать эти 7 фотографий для создания «приложения для машинного обучения», которое будет различать кошек и собак? Это даже сработает? В этом примере совершенно очевидно, что данных недостаточно. Но в некоторых случаях я не понимаю, почему люди не видят, что данных недостаточно, но все равно хотят результатов. Без данных нет машинного обучения.
Как я только что упомянул, приведенный выше пример был достаточно простым, но обычно он никогда не бывает таким простым. Проблемы машинного обучения довольно сложны. Позвольте мне попытаться объяснить. Хотя симптомы различных заболеваний сами по себе могут составлять огромную базу данных с несколькими совпадениями, когда речь идет о симптомах различных состояний и заболеваний, как бы это выразил обычный типичный пациент или лицо, осуществляющее уход? Вот где люди-агенты и машины отличаются. Легче научить человека улавливать эти сигналы, и таким образом, люди надежнее и быстрее понимают, что беспокоит вызывающего абонента, но чтобы научить машину достигать такого уровня знаний, потребуется МНОГО усилий. данные.
Когда альтернатива будет намного дешевле в обслуживании:будь то простая программа или работа с человеком, если все, что вы ожидаете, это два звонка в неделю, и у вас уже есть команда сотрудников, которые позаботятся об этом. из большинства задач, наверняка одна из этих тоже справится с этими двумя звонками в неделю, нет? Опять же, я намерен разъяснить свою точку зрения, поэтому я использую примеры такого рода, которые было бы легче понять и связать. Теперь, хотел бы я использовать услуги разговорного ИИ, за которые я должен платить ежемесячную плату, чтобы обрабатывать такие редкие случаи? И что, только для того, чтобы они спросили, каковы часы работы магазина? Конечно, нет.
Когда слишком опасно позволять машине выносить серьезные суждения: Нет, я не говорю о том, что искусственный интеллект захватит человечество! 😉 Представьте, что вы позволяете машине диагностировать, есть ли у людей опасное для жизни, легко заразное заболевание, такое как Covid-19. Пока машина работает хорошо, было бы здорово. Но ни один алгоритм машинного обучения не является точным на 100%. Никогда. Даже алгоритм поиска Google время от времени может дать сбой. Что, если машина пометит кого-то как «не представляющего угрозы» и человек сядет в самолет? Это поставит под угрозу жизни всех пассажиров и членов экипажа, не так ли?
Когда ваша идея слишком нереалистична для начала: допустим, кто-то подал вам идею, что вы можете использовать алгоритмы машинного обучения для проверки личности и отношения кандидатов на собеседование, а затем набирать только тех, кто не уйдет. легко, чтобы вам не пришлось иметь дело с сотрудниками, занимающимися «тихим увольнением» позже. Идея, как и многие другие идеи, прекрасно звучит на бумаге. Но как вы будете обучать модель машинного обучения обнаруживать эти качества у людей? У вас нет данных для начала. Вы можете собирать данные, но для сбора данных вам нужно знать, что вы ищете. Затем вы должны заплатить за это. И вы не будете знать, насколько это будет надежно… Спрашивайте себя каждый раз, когда сталкиваетесь с идеей «интересного приложения ИИ», стоит ли оно того в первую очередь!
Вы ищете быстрое решение. Хотя обучение машины, вероятно, является самой простой частью машинного обучения, все, что для этого требуется, — это несколько строк кода или несколько нажатий кнопок. более чем несколько требовательных и изнурительных процессов. Сбор данных, предварительная обработка данных, выбор правильных параметров, понимание роли этих параметров, предотвращение конфликтов и дублирования, минимизация ошибок, и все эти подпроцессы должны пройти через несколько итераций и проверок, пока вы не получить наиболее убедительные результаты. На это легко уйдет как минимум несколько месяцев командной работы, особенно если это новая или уникальная идея, и вам нужно во всем разобраться с нуля.
Понятно, что нас будут тянуть к новым захватывающим тенденциям. Было время, когда ведение блога стало популярным хобби, когда популярные платформы, такие как WordPress, позволяли любому создавать свои собственные блоги и делиться своими мыслями, и почти каждый, кто интересовался писательством, имея доступ к Интернету, хотел попробовать. Теперь в Индии появились смарт-часы, и многие молодые люди покупают их и проявляют большой интерес к фитнесу. Точно так же, если вы управляете бизнесом, любой на вашем месте должен быть в курсе всех тенденций в отрасли, быть в курсе ожиданий клиентов и клиентов, быть в курсе конкурирующих предприятий и тому подобного. В рамках вашего плана роста вы можете рассмотреть возможность использования машинного обучения и автоматизации в своих проектах. Хотя быть любознательным и открытым к новым разработкам, безусловно, хорошо, не менее важно уметь критически оценивать плюсы и минусы крупных шагов, которые вы предпримете.
Надеюсь, что этот пост дал вам четкое представление о том, когда вам лучше не использовать машинное обучение, потому что слишком много нужно платить или вы мало что выиграете в конце дня.
«Срочность и отчаяние плохо уживаются».
― Н.К. Джемисин
Если вы уверены, что достаточно все обдумали и действительно хотите пойти по пути моделей машинного обучения, убедитесь, что вы понимаете, на что подписываетесь. Желаем вам удачи! 😊
