Q:
Quels sont les dangers de l'utilisation impulsive de l'apprentissage automatique?
UNE:L'apprentissage automatique est une nouvelle technologie puissante - et c'est quelque chose dont beaucoup d'entreprises parlent. Cependant, cela n'est pas sans poser de problèmes de mise en œuvre et d'intégration dans les pratiques de l'entreprise. Beaucoup de problèmes potentiels avec l'apprentissage automatique proviennent de sa complexité et de ce qu'il faut pour vraiment mettre en place un projet d'apprentissage automatique réussi. Voici quelques-uns des plus grands pièges à surveiller.
Une chose qui peut aider est d'embaucher une équipe expérimentée d'apprentissage automatique pour vous aider.
L'un des pires résultats d'une mauvaise utilisation de l'apprentissage automatique est ce que vous pourriez appeler des «mauvais renseignements». C'est une nuisance lorsqu'il s'agit de repérer les types de systèmes d'aide à la décision que fournit l'apprentissage automatique, mais c'est beaucoup plus grave lorsqu'il est appliqué à tout type de système essentiel à la mission. 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 purement utilisée pour des choses comme les études de marché, une mauvaise intelligence peut vraiment faire couler votre entreprise. Supposons que les algorithmes d'apprentissage automatique ne fassent pas de choix précis et ciblés - puis les cadres suivent aveuglément tout ce que le programme informatique décide! Cela peut vraiment gâcher n'importe quel processus métier. La combinaison de mauvais résultats en matière de BC et d'une mauvaise surveillance humaine augmente les risques.
Un autre problème connexe est la mauvaise performance des algorithmes et des applications. Dans certains cas, l'apprentissage automatique peut fonctionner correctement à un niveau fondamental, mais pas être tout à fait précis. Vous pourriez avoir des applications vraiment maladroites avec des problèmes étendus, et une liste de bogues d'un kilomètre de long, et passer beaucoup de temps à essayer de tout corriger, où vous auriez pu avoir un projet beaucoup plus serré et plus fonctionnel sans utiliser l'apprentissage machine du tout. C'est comme essayer de mettre un énorme moteur de grande puissance dans une voiture compacte - il doit s'adapter.
Cela nous amène à un autre problème majeur avec l'apprentissage automatique intrinsèquement - le problème de sur-ajustement. Tout comme votre processus d'apprentissage automatique doit s'adapter à votre processus métier, votre algorithme doit s'adapter aux données de formation - ou, pour le dire autrement, les données de formation doivent correspondre à l'algorithme. La façon la plus simple d'expliquer le sur-ajustement est avec l'exemple d'une forme complexe à deux dimensions comme la frontière d'un État-nation. L'ajustement d'un modèle signifie décider du 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 va sembler tout ondulé. Lorsque vous pensez à appliquer l'apprentissage automatique, vous devez choisir le bon ajustement. Vous voulez suffisamment de points de données pour que le système fonctionne correctement, mais pas trop pour le rendre plus complexe.
Les problèmes qui en résultent sont liés à l'efficacité - si vous rencontrez des problèmes de sur-ajustement, d'algorithmes ou d'applications peu performantes, vous aurez des coûts irrécupérables. Il peut être difficile de changer de cap et de s'adapter et peut-être de se débarrasser des programmes d'apprentissage automatique qui ne fonctionnent pas bien. L'adhésion pour de bons choix de coûts d'opportunité peut être un problème. Donc, vraiment, le chemin vers un apprentissage automatique réussi est parfois semé d'embûches. Pensez-y lorsque vous essayez d'implémenter l'apprentissage automatique dans un contexte d'entreprise.
