内容
提出者：AltaML
问：
冲动地使用机器学习有哪些危险？
A：
机器学习是一项强大的新技术，许多公司都在谈论它。但是，在实现和集成到企业实践方面并非没有问题。机器学习的许多潜在问题来自其复杂性以及真正建立成功的机器学习项目所需的资源。这里是一些需要注意的最大陷阱。
可以帮忙的一件事是雇用经验丰富的机器学习团队来提供帮助。
糟糕地使用机器学习的最糟糕结果之一就是您可能会称之为“糟糕的英特尔”。这在消除机器学习提供的各种决策支持系统时是很麻烦的，但是将其应用于任何类型的关键任务系统。在操作自动驾驶汽车时，您不会有不好的输入。当您的机器学习决策影响真实的人时，您就不会有不良数据。即使仅将其用于诸如市场研究之类的事情，错误的情报也会使您的业务真正崩溃。假设机器学习算法没有做出精确而有针对性的选择-然后高管盲目地遵循计算机程序的决定！那真的会弄乱任何业务流程。机器学习成果不佳和人员疏忽相结合会带来风险。
另一个相关问题是算法和应用程序执行不佳。在某些情况下，机器学习可能会在基本水平上正常工作，但并不完全精确。您可能真的有笨拙的应用程序，但遇到了广泛的问题，并且错误列表长达一英里，并且花费大量时间来尝试更正所有问题，而您本来可以拥有更紧凑，功能更强大的项目，而根本不用机器学习。这就像试图将大型高功率发动机安装在紧凑型汽车中一样-它必须适合。
这给我们带来了机器学习固有的另一个主要问题-过度拟合问题。就像您的机器学习过程必须适合您的业务流程一样，您的算法也必须适合于训练数据–换句话说，培训数据必须适合于算法。解释过度拟合的最简单方法是使用二维复杂形状的示例，例如民族国家的边界。模型的拟合意味着确定要放入的数据点。如果仅使用六个或八个数据点，则边框将看起来像多边形。如果使用100个数据点，则轮廓将看起来非常弯曲。当您考虑应用机器学习时，必须选择合适的配件。您希望有足够的数据点来使系统正常运行，但又不希望有太多数据点来降低复杂性。
由此产生的问题与效率有关–如果您确实遇到过拟合，算法或性能不佳的应用程序的问题，那么您将付出沉没的成本。可能很难改变路线和进行调整，甚至可能摆脱运行不佳的机器学习程序。买入机会良多的机会可能是一个问题。所以说真的，成功的机器学习之路有时充满挑战。尝试在企业环境中实施机器学习时，请考虑一下这一点。
