Вот список 10 основных причин, по которым крупномасштабные проекты машинного обучения терпят неудачу.
В настоящее время мы можем читать об искусственном интеллекте и машинное обучение содержание почти везде. Несомненно ИИ а также МЛ есть потенциал для решения многих проблем. Однако не все проекты машинного обучения достигают успеха. По некоторым данным, 85% проектов машинного обучения терпят неудачу. Есть много предсказуемых способов, ML проекты потерпите неудачу, чего можно избежать при должном опыте и осторожности. Вот список 10 основных причин, по которым крупномасштабные проекты машинного обучения терпят неудачу.
Использование данных, которые не готовы к машинному обучению: Большинство компаний участвуют в той или иной форме цифровой трансформации, что означает, что они генерируют данные. Машинное обучение может делать с данными замечательные вещи, но это должны быть готовые к машинному обучению или «чистые» данные. И есть много способов, которыми данные могут не пройти этот тест. Данные должны быть достаточно многогранными, чтобы машинное обучение могло обнаруживать в них значимые закономерности. Это один из трех основных вариантов использования, которые используют наши клиенты, поскольку энергия составляет почти 20% их производственных затрат.
Недостаток опыта: Планка для специалистов по данным становится все ниже и ниже. Самый машинное обучение или проекты искусственного интеллекта требуют опытных специалистов по данным для решения таких задач, как выбор модели, мониторинг производительности и оценка.
Отсутствие сотрудничества: Еще одной серьезной проблемой является отсутствие сотрудничества между различными командами, такими как специалисты по данным, инженеры по данным, специалисты по бизнес-аналитике и инженеры. Это особенно важно для команд в инженерной схеме вещей. Именно команда инженеров собирается внедрить модель машинного обучения и запустить ее в производство.
Отсутствие стратегии данных: Только 50% крупных предприятий с более чем 100 000 сотрудников, скорее всего, будут иметь стратегию данных. Разработка твердого тела данные стратегия, прежде чем вы начнете проект машинного обучения, имеет решающее значение.
Технически невыполнимые проекты: Поскольку стоимость ML проекты имеет тенденцию быть чрезвычайно дорогим, большинство предприятий, как правило, нацелены на сверхамбициозный проект, который полностью изменит компанию или продукт и принесет чрезмерную прибыль или инвестиции.
Отсутствуют данные хорошего качества: По мере увеличения влияния набора данных возникают и новые проблемы. Есть много ситуаций, когда вам придется объединять данные из множества разных источников данных. Данные плохого качества непригодны для использования и могут привести к вводящим в заблуждение результатам.
Отсутствие сильных сигналов в данных: Правильные данные содержат сигналы, необходимые для оптимизации бизнес-результатов. Машинное обучение не может работать без правильных данных. Проведите небольшие эксперименты и руководствуйтесь здравым смыслом, чтобы найти правильные входные данные для вашей проблемы. Это одна из областей, в которой опытные специалисты по данным могут внести большой вклад.
Технически невыполнимые задачи: Поскольку проекты машинного обучения очень дорогостоящие, большинство компаний, как правило, сосредотачиваются на проекте Moon-Shot. Такой проект может довести команду специалистов по обработке данных до предела своих возможностей и вряд ли будет завершен. В конце концов, руководство теряет доверие и прекращает инвестировать.
Отсутствие поддержки лидеров: Иногда лидерам не хватает терпения и технической уверенности, необходимых для выполнения проекта машинного обучения. Чтобы проект машинного обучения был успешным, очень важно, чтобы все были на борту.
Оптимизация без исследования: В машинном обучении важно создать возможность постоянной проверки и улучшения модели. Важно понимать ценность не просто использования лучшей модели для всей вашей аудитории. Для моделей, которые предоставляют объяснения, вам необходимо сохранять достаточное количество вариаций данных, чтобы постоянно проверять эти объяснения и генерировать новые идеи.
Сообщение 10 причин, почему крупномасштабные проекты машинного обучения терпят неудачу, впервые появилось на .
