Q:
¿Cuáles son algunos de los peligros de usar el aprendizaje automático de forma impulsiva?
UN:El aprendizaje automático es una nueva tecnología poderosa, y es algo de lo que muchas empresas están hablando. Sin embargo, no está exento de problemas en términos de implementación e integración en las prácticas empresariales. Muchos de los posibles problemas con el aprendizaje automático provienen de su complejidad y de lo que se necesita para configurar realmente un proyecto de aprendizaje automático exitoso. Estos son algunos de los mayores escollos a tener en cuenta.
Una cosa que puede ayudar es contratar a un equipo experimentado de aprendizaje automático para que lo ayude.
Uno de los peores resultados en el uso deficiente del aprendizaje automático es lo que podríamos llamar "mala información". Esto es una molestia a la hora de resolver los tipos de sistemas de soporte de decisiones que proporciona el aprendizaje automático, pero es mucho más grave cuando se aplica a cualquier tipo de sistema de misión crítica. No puede tener una entrada incorrecta cuando maneja un vehículo autónomo. No puede tener datos incorrectos cuando sus decisiones de aprendizaje automático afectan a personas reales. Incluso cuando se usa exclusivamente para cosas como la investigación de mercado, la mala inteligencia realmente puede hundir su negocio. Suponga que los algoritmos de aprendizaje automático no toman decisiones precisas y específicas, ¡y luego los ejecutivos siguen ciegamente lo que decida el programa de computadora! Eso realmente puede arruinar cualquier proceso de negocio. La combinación de malos resultados de LD y mala supervisión humana aumenta los riesgos.
Otro problema relacionado es el bajo rendimiento de los algoritmos y aplicaciones. En algunos casos, el aprendizaje automático puede funcionar en un nivel fundamental, pero no es del todo preciso. Es posible que tenga aplicaciones realmente complejas con problemas extensos y una lista de errores de una milla de largo, y pase mucho tiempo tratando de corregir todo, donde podría haber tenido un proyecto mucho más estricto y funcional sin utilizar el aprendizaje automático. Es como tratar de poner un motor masivo de alta potencia en un automóvil compacto: tiene que encajar.
Eso nos lleva a otro problema importante con el aprendizaje automático inherentemente: el problema del sobreajuste. Al igual que su proceso de aprendizaje automático tiene que ajustarse a su proceso de negocio, su algoritmo debe ajustarse a los datos de capacitación, o dicho de otro modo, los datos de capacitación deben ajustarse al algoritmo. La forma más sencilla de explicar el sobreajuste es con el ejemplo de una forma compleja bidimensional como el borde de un estado-nación. La adaptación de un modelo significa decidir cuántos puntos de datos va a colocar. Si solo usa seis u ocho puntos de datos, su borde se verá como un polígono. Si usa 100 puntos de datos, su contorno se verá todo ondulado. Cuando piensa en aplicar el aprendizaje automático, debe elegir el ajuste adecuado. Desea suficientes puntos de datos para que el sistema funcione bien, pero no demasiados para reducir su complejidad.
Los problemas resultantes tienen que ver con la eficiencia: si tiene problemas con el sobreajuste, los algoritmos o las aplicaciones de bajo rendimiento, tendrá costos hundidos. Puede ser difícil cambiar el rumbo y adaptarse y quizás deshacerse de los programas de aprendizaje automático que no funcionan bien. La aceptación de buenas opciones de costo de oportunidad puede ser un problema. Entonces, realmente, el camino hacia el aprendizaje automático exitoso a veces está lleno de desafíos. Piense en esto cuando intente implementar el aprendizaje automático en un contexto empresarial.
