破解機器學習的誤區(qū)——常見機器學習神話究竟從何而來？
2020-04-02 15:54:43
次
Forrester Research最近發(fā)布了一份名為“ 粉碎機器學習的七個神話”的報告。在其中，作者警告說：“不幸的是，一些對機器學習項目做出重要決策的企業(yè)領導者，普遍存在機器學習的誤解。”
當高管和經(jīng)理談論AI以及機器學習時，他們有時會犯一些事實錯誤，顯示出他們真正的知識水平。
卡爾森說：“當產(chǎn)品負責人說諸如“我們正在使用強化學習，因為我們將用戶反饋納入趨勢模型中”時，這可能不是一件好事。“我曾經(jīng)和其他分析師一起參加過座談會，聽到的聲音是，'無監(jiān)督的學習中，您不再需要人工參與或培訓'，而您正在等什么呢？”
ABI首席分析師 Lian Jye Su表示，根據(jù)他的經(jīng)驗，大多數(shù)高管圍繞機器學習的基本知識和“垃圾進，垃圾出”的原則有一些想法，但是他們中的大多數(shù)人都認為機器學習模型是黑匣子，而機器學習需要大量數(shù)據(jù)。
“我認為這主要是由于卷積神經(jīng)網(wǎng)絡的普遍存在，它需要大量數(shù)據(jù)，并且在更多數(shù)量的卷積層上可以更好地工作，而且我相信，一旦其他機器學習算法變得越來越流行，這種看法就會慢慢消失，Lian Jye Su說。
一個問題是教育。決策者究竟應該在哪里學習有關(guān)機器學習的真相？盡管Forrester的Carlsson認為兩者之間的交集不見了，但從業(yè)人員和企業(yè)級別的選擇仍然很多。
▲福斯特（Frester）凱爾·卡爾森（Kjell Carlsson）
“我認為我們需要做最多工作和最大幫助的地方是幫助業(yè)務方面的人們充分了解該技術(shù)，從而知道這實際上有什么用？我可以將其應用于哪些類型的問題？” 卡爾森說。
以下是導致常見誤解的一些因素。
術(shù)語不是很容易理解
問題的一部分是術(shù)語本身。人們有時將人工智能解釋為像人一樣思考的機器，而將機器學習解釋為像人一樣學習的機器。
ABI Research的Su說：“數(shù)據(jù)科學家并不是最擅長的術(shù)語。” “我認為我們應該部分歸咎于分析師，因為我們經(jīng)常用大膽的話來介紹新技術(shù)。”
不切實際的期望
人們普遍誤以為AI是一門強大的東西，這導致人們相信AI可以做任何事情。替代地，當不同的技術(shù)適合于不同類型的用例時，有時將深度學習解釋為比其他形式的機器學習“更好”。
Forrester的Carlsson說，僅僅從您想要的東西開始，例如用虛擬座席替換呼叫中心中的每個人，并不是很有幫助。他們以增強的方式建立起來，以幫助呼叫中心中的某人。
ABI Research的Su表示，不切實際的期望是炒作接管理性思考的一種情況。根據(jù)他的經(jīng)驗，高管們對期望不可能或不可能實現(xiàn)的想法越來越少。
▲蘇連杰（Alian Research）
無法理解機器學習的概率性質(zhì)
傳統(tǒng)上，軟件是確定性地構(gòu)建的，這意味著給定的輸入應導致給定的輸出?；谝?guī)則的AI也是如此。另一方面，機器學習有一定的誤差。
Forrester的Carlsson說：“在機器學習世界中，您極有可能永遠無法預測要預測的事物，因為信號不在您擁有的數(shù)據(jù)中。”
ABI Research的Su表示反對使用機器學習的論點之一是結(jié)果的概率性質(zhì)。它從來沒有像工業(yè)機器視覺中使用的常規(guī)基于規(guī)則的AI那樣清晰。
忽略重要細節(jié)
一家發(fā)動機制造商希望預測何時需要更換零件。該公司擁有大量有關(guān)發(fā)動機和發(fā)動機故障的數(shù)據(jù)，但是所有數(shù)據(jù)都是實驗室數(shù)據(jù)?，F(xiàn)場沒有運行發(fā)動機傳感器。因此，該模型實際上無法按預期部署。Forrester的Carlsson說：“在組織中，實際上沒有人監(jiān)督數(shù)據(jù)工程方面（機器學習方面）的所有不同事務。”
在技術(shù)能力和這些能力的ROI之間可能會丟失一些常識。例如，已經(jīng)建立了一些模型，可以為銷售人員推薦良好的客戶。問題是銷售人員已經(jīng)知道了這些帳戶。
無法理解機器學習“成功”的含義
外行對機器學習和AI的期望往往超出實際。盡管100％的精度看似合理，但在一些情況下，可以花大量時間和金錢再提高1％的精度。
上下文很重要。
例如，當某人的生命或自由受到威脅時，準確度水平會有所不同，而某個百分比的人口可能會因某些事情而受到輕微冒犯。
“圍繞量化問題，有一種完整的思路，根據(jù)AI任務的性質(zhì)，可以合理地降低AI模型的精度，這是一個折衷方案，但前提是這需要在AI上進行部署。邊緣設備”，ABI Research的Su說。“畢竟，我們的人通常不那么準確。話雖如此，某些應用程序，例如對象分類，缺陷檢查和裝配線上的質(zhì)量保證，確實有要求重復性的嚴格要求，而這正是傳統(tǒng)的基于規(guī)則的AI所在的地方。
可能是首選。
弗雷斯特（Forrester）的卡爾森（Carlsson）說，每個人都可以創(chuàng)建一個模型，該模型幾乎可以產(chǎn)生99.99％的準確性。預測恐怖主義就是一個例子。這種情況很少發(fā)生，因此如果該模型始終都沒有預測到恐怖主義，那么它將是一個非常準確的模型。
未能輕易獲勝
科幻小說和廣告使人們相信，有些情況下，他們應該在AI和機器學習方面做得非凡。
Carlsson說：“當您說機器學習或AI時，人們會自動認為他們應該去模仿人類的行為，而這往往會錯過這項技術(shù)的巨大潛力。” “機器學習技術(shù)確實擅長大規(guī)模處理數(shù)據(jù)，并進行我們?nèi)祟愓嬲膳碌拇笠?guī)模分析。”
1.了解機器學習的功能和局限性，并在某種程度上了解適合不同技術(shù)的用例。這樣，您不太可能說出技術(shù)上不準確的內(nèi)容。
2.一種機器學習技術(shù)并不適合所有情況。分類（例如識別貓和狗的圖片）不同于在數(shù)據(jù)中查找以前未發(fā)現(xiàn)的信號。
3.機器學習不是“一勞永逸”技術(shù)的集合。生產(chǎn)中的模型傾向于“漂移”，這意味著它們變得不太準確。機器學習模型必須進行調(diào)整和重新訓練，以保持其準確性。
Forrester的Carlsson表示：“在軟件開發(fā)中，人們對迭代的必要性有這種理解。” “當涉及到依賴機器學習模型的應用程序時，它們必須進行更多的迭代，因為您要迭代數(shù)據(jù)，實際業(yè)務和您串聯(lián)使用的方法。因為我們不知道您擁有哪些數(shù)據(jù)，或者您不知道該數(shù)據(jù)可以支持哪些業(yè)務場景，所以它確實固定在項目開始時。”
4.機器學習的準確性與實際數(shù)據(jù)有關(guān)。除了考慮與潛在錯誤相關(guān)的風險外，還應了解隨著時間推移可能發(fā)生的變化。
Carlsson說：“ 50.1％的計算機視覺模型很棒。或者您可以說60％或70％的精度比我們以前做的要好得多。”
5.上下文至關(guān)重要。無論上下文如何，人工智能和機器學習都無法獲得相同的結(jié)果。上下文確定了更好或更差的技術(shù)以及給定情況下可接受或不可接受的置信度。
上下文還與解決某個問題所需的數(shù)據(jù)以及偏差是可接受的還是不可接受的有關(guān)。例如，歧視通常被認為是一件壞事，但是為什么銀行不會只向任何人貸款數(shù)百萬美元，這是可以理解的。
Su說：“在很多情況下，機器學習絕對不利于識別隱藏在數(shù)據(jù)中的過去偏差。在其他情況下，數(shù)據(jù)質(zhì)量很重要，例如像素數(shù)，清晰的注釋和干凈的數(shù)據(jù)集。” 。
另一方面，如果數(shù)據(jù)錯誤，則最干凈的數(shù)據(jù)將無濟于事。
“人們以為機器學習，甚至AI都將在數(shù)據(jù)不存在且行不通的情況下以某種方式做出神奇的事情。相反，人們假設只要我們擁有大量數(shù)據(jù)， Forrester的Carlsson說，我們將能夠做一些神奇的事情，而這通常都不成立。“在正確的事情上擁有不良質(zhì)量的數(shù)據(jù)實際上可以比在錯誤的事情上擁有大量數(shù)據(jù)更好。”
6.了解機器學習是硬件和軟件的結(jié)合。具體來說，ABI Research的Su說，軟件功能將僅與硬件可以交付或旨在交付的能力一樣好。
7.傳統(tǒng)的基于規(guī)則的AI可能會與基于機器學習的AI并存相當長的一段時間。蘇說，某些任務將繼續(xù)需要確定性的決策，而不是概率性的決策。
來源：CDA數(shù)據(jù)分析師
Tempo商業(yè)智能平臺
Tempo人工智能平臺
Tempo數(shù)據(jù)工廠平臺
Tempo指標平臺
Tempo數(shù)據(jù)治理平臺
Tempo主數(shù)據(jù)管理平臺
首頁
美林數(shù)據(jù)
行業(yè)資訊
陜公網(wǎng)安備 61019002000171號
