如何避免我們的AI癡迷于過度復雜的數(shù)據(jù)項目

在數(shù)據(jù)項目中，很多時候下意識的反應是“盡可能多地投擲AI”。

鑒于AI的承諾，這是可以理解的。但這值得我們退后一步，在匆忙前先考慮問題。為了有效地工作，必須以正確的方式將AI用于正確的應用程序。

您不會使用精密的激光來裁縫服裝。它可以工作，但是會帶來不必要的成本和風險，并且與剪刀相比沒有任何實質(zhì)性的改進。同樣，您不應將復雜的AI用于可以簡單解決的問題。

如果確實需要處理諸如自動駕駛汽車或Google的圖像搜索之類的大量復雜數(shù)據(jù)，則復雜AI很有用。但通常不是。

根據(jù)我的經(jīng)驗，我看到了許多AI實例，因為它是可用的最強大的工具，而不是最合適的工具。充其量，這可能意味著浪費時間和金錢做一些本來可以更快，更便宜的事情。在最壞的情況下，這可能意味著項目失敗或用戶不信任的難以理解的系統(tǒng)。

AI復雜性/故障問題

AI應用程序不像傳統(tǒng)的軟件應用程序那樣運行，傳統(tǒng)的軟件應用程序被編程為以某種方式對某些輸入做出響應。AI會攝取數(shù)據(jù)并了解其中的關系。更高的復雜性意味著更多的困惑和失敗機會。

常見的情況如下：組織有大量來自機器的傳感器數(shù)據(jù)-振動，溫度，運動等。它希望使用它來預測機器何時可能發(fā)生故障。它構建了一個神經(jīng)網(wǎng)絡來處理這些復雜的數(shù)據(jù)集，將其輸入并了解哪些傳感器測量組合與即將發(fā)生的故障相關。這可能是一個很好的方法，但是這種想法的問題在于，它錯過了尋找可能更好的解決方案的機會。

每個問題的復雜程度不同，關鍵是使機器學習解決方案的復雜性與問題的復雜性相匹配。學習過機器學習的任何人都將熟悉問題復雜性，模型復雜性和模型錯誤之間的權衡。

有時候，復雜的AI是正確的選擇。例如，圖像識別或自然語言通常具有太多的復雜數(shù)據(jù)，無法簡單地做事。Google的圖片搜索效果不錯，但任何搜索都將很快開始顯示超出我們預期范圍的內(nèi)容。我們可能會接受以下觀點：在尋找購物靈感時，而不是在發(fā)現(xiàn)需要立即關閉機器的情況時才接受。

絕大多數(shù)問題并不那么復雜。“大量數(shù)據(jù)”與“大量復雜性”不同。更好的方法是“大量相關數(shù)據(jù)”。通常，解決當前問題所需的數(shù)據(jù)僅來自幾個傳感器。如果我們花時間識別那些關鍵數(shù)據(jù)集，我們可能會找到一個更準確，更健壯的解決方案，其中包含可以快速構建的簡單模型。