什么因素會導(dǎo)致機(jī)器學(xué)習(xí)失敗

機(jī)器學(xué)習(xí)在學(xué)習(xí)過程中總會犯錯。機(jī)器學(xué)習(xí)采用者需要預(yù)見到這一點，并時刻小心，不要因為IT和業(yè)務(wù)的人為錯誤而使事情變得更糟。

一般來說，學(xué)習(xí)的過程往往就是一個不斷犯錯誤，走錯誤道路的過程，然后找出方法來在未來避免這些錯誤。機(jī)器學(xué)習(xí)也不例外。

當(dāng)你在你的企業(yè)中實施機(jī)器學(xué)習(xí)時，要小心：一些技術(shù)營銷可能會讓你覺得學(xué)習(xí)非常正確，速度非?？欤@是對技術(shù)不切實際的期望。事實是，在機(jī)器學(xué)習(xí)過程中必然會有錯誤。而且這些錯誤至少在一段時間內(nèi)會在業(yè)務(wù)流程中被編碼。結(jié)果是：這些錯誤可能會大規(guī)模發(fā)生，而且往往超出了人類的直接控制。

SPR咨詢公司（SPR Consulting）的首席數(shù)據(jù)科學(xué)家Ray Johnson表示：“缺乏盡職調(diào)查的熱情可能會導(dǎo)致一些問題，使機(jī)器學(xué)習(xí)的好處無法得到展示。”

檢測和處理機(jī)器學(xué)習(xí)錯誤將有助于您在技術(shù)上取得更大的成功，并滿足您的機(jī)器學(xué)習(xí)期望。

以下是一些可能會增加和延長機(jī)器學(xué)習(xí)工具在學(xué)習(xí)過程中所犯錯誤的問題--他們甚至可能永遠(yuǎn)也無法識別和糾正這些錯誤教訓(xùn)。

缺乏對問題的業(yè)務(wù)理解會導(dǎo)致機(jī)器學(xué)習(xí)失敗

一些使用機(jī)器學(xué)習(xí)模型的數(shù)據(jù)工作者并不真正了解機(jī)器學(xué)習(xí)試圖解決的業(yè)務(wù)問題，這可能會在流程中引入錯誤。

當(dāng)他的團(tuán)隊使用機(jī)器學(xué)習(xí)工具時，金融服務(wù)網(wǎng)站LendingTree的副總裁兼戰(zhàn)略與分析主管Akshay Tandon鼓勵團(tuán)隊從一個假設(shè)開始聲明。該聲明應(yīng)該詢問您要解決的問題是什么，以及您要構(gòu)建哪些模型來解決該問題。

Tandon說，從統(tǒng)計方面來看，今天可用的機(jī)器學(xué)習(xí)工具非常強(qiáng)大。這就給正確地執(zhí)行它增加了更大的負(fù)擔(dān)，因為這些強(qiáng)大的工具，如果不小心使用，可能會導(dǎo)致重要的錯誤決策。如果數(shù)據(jù)分析團(tuán)隊不夠小心，他們最終可能會得到與團(tuán)隊所使用的特定數(shù)據(jù)不匹配的模型。迅速惡化的結(jié)果會導(dǎo)致模型很快就可能出錯，他說。

此外，許多商業(yè)用戶都不明白，從投入生產(chǎn)的那一刻開始，模型的質(zhì)量就會有一定程度的下降，Tandon說。如果認(rèn)識到這一點，就像對待汽車或任何其他機(jī)器一樣，用戶就會知道自己需要不斷地監(jiān)控它，并關(guān)注它是如何影響決策的。

低質(zhì)量的數(shù)據(jù)會導(dǎo)致機(jī)器學(xué)習(xí)錯誤

進(jìn)去的是垃圾，出來的也會是垃圾。如果數(shù)據(jù)質(zhì)量不夠完善，機(jī)器學(xué)習(xí)也會受到影響。數(shù)據(jù)質(zhì)量差是數(shù)據(jù)管理人員最關(guān)心的問題之一，盡管數(shù)據(jù)科學(xué)家和其他從事信息工作的專業(yè)人員都有最好的意圖，但它仍然可能危及大數(shù)據(jù)分析工作。它也會讓機(jī)器學(xué)習(xí)模式偏離軌道。

組織經(jīng)常高估機(jī)器學(xué)習(xí)算法的彈性，低估不良數(shù)據(jù)的影響。Johnson說，糟糕的數(shù)據(jù)質(zhì)量會產(chǎn)生糟糕的結(jié)果，并導(dǎo)致組織做出不明智的業(yè)務(wù)決策。這些決策的結(jié)果將損害業(yè)務(wù)績效，并使未來的計劃難以獲得支持。

根據(jù)過去和現(xiàn)在的經(jīng)驗，你可以從機(jī)器學(xué)習(xí)驅(qū)動的結(jié)果中檢測出不好的數(shù)據(jù)質(zhì)量，而這些結(jié)果似乎毫無意義。

Johnson說，解決這個問題的一種積極主動的方法是探索性的數(shù)據(jù)分析（EDA）。EDA可以識別基本的數(shù)據(jù)質(zhì)量問題，例如離群值、缺失值和不一致的域值。你還可以使用統(tǒng)計抽樣等技術(shù)來確定是否有足夠的數(shù)據(jù)點實例來充分反映人口分布，并定義有關(guān)數(shù)據(jù)質(zhì)量修正的規(guī)則和策略。

機(jī)器學(xué)習(xí)的不當(dāng)使用

劍橋咨詢公司（Cambridge Consultants）的專業(yè)機(jī)器學(xué)習(xí)工程師Sally Epstein表示：“我們?nèi)匀粡钠髽I(yè)中看到的最常見問題是，人們只是為了流行而希望使用機(jī)器學(xué)習(xí)?！钡f，要想取得成功，必須正確應(yīng)用該工具。而且，傳統(tǒng)的工程方法可能可以更快地提供解決方案，而且成本更低。

Johnson說，當(dāng)機(jī)器學(xué)習(xí)可能不是解決問題的最佳選擇，并且不完全理解用例時，使用機(jī)器學(xué)習(xí)可能會導(dǎo)致其試圖解決一個錯誤的問題。

此外，解決錯誤的問題也將導(dǎo)致失去機(jī)會，因為組織會努力將其用例定制為一個特定的、不合適的模型。這包括在人員和基礎(chǔ)設(shè)施部署方面浪費(fèi)的資源，而這些本來可以使用更簡單的替代方法來實現(xiàn)可能的結(jié)果。

為了避免機(jī)器學(xué)習(xí)的錯誤使用，你需要仔細(xì)考慮期望的業(yè)務(wù)結(jié)果、問題的復(fù)雜性、數(shù)據(jù)量和屬性的數(shù)量。Johnson說，相對簡單的問題，如分類、聚類和使用少量具有一些屬性的數(shù)據(jù)關(guān)聯(lián)規(guī)則，可以通過視覺或統(tǒng)計分析來解決。在這些情況下，部署機(jī)器學(xué)習(xí)可能需要比常規(guī)方法更多的時間和資源。

而當(dāng)數(shù)據(jù)量變大時，機(jī)器學(xué)習(xí)可能更合適。但是，已經(jīng)通過機(jī)器學(xué)習(xí)訓(xùn)練，然后才發(fā)現(xiàn)業(yè)務(wù)結(jié)果尚未明確定義并導(dǎo)致解決錯誤問題的情況也并不罕見。

機(jī)器學(xué)習(xí)模型可能有偏見

使用一個低質(zhì)量的數(shù)據(jù)集可能帶來一個誤導(dǎo)性的結(jié)論。這不僅會引入不準(zhǔn)確性和缺失數(shù)據(jù)，還會引入對問題的偏見。每個人都會有偏見，所以人們創(chuàng)造或啟發(fā)的模型也可能包含偏見。

Epstein說，每種機(jī)器學(xué)習(xí)算法對不平衡的類或分布都有不同的敏感性。Epstein說，如果不解決這些問題，你最終得到的面部識別工具，可能會依賴于皮膚顏色，或者帶有性別偏見。事實上，這已經(jīng)發(fā)生在一些商業(yè)服務(wù)中了。

結(jié)論的準(zhǔn)確性-無論是算法的準(zhǔn)確性還是個人的準(zhǔn)確性-取決于所處理信息的廣度和質(zhì)量。咨詢公司Deloitte咨詢分析服務(wù)領(lǐng)域負(fù)責(zé)人Vic Katyal說，組織和個人所面臨的因算法偏差帶來的財務(wù)、法律和聲譽(yù)風(fēng)險就是為什么任何使用機(jī)器學(xué)習(xí)的公司都應(yīng)該將道德規(guī)范作為組織的必要條件的一個例子。

Katyal說，在公共領(lǐng)域，諸如信用評分、教育課程、招聘和刑事司法判決等方面，算法偏差的跡象已經(jīng)被充分記錄。收集、整理或應(yīng)用不當(dāng)?shù)臄?shù)據(jù)甚至?xí)谠O(shè)計最完善、目標(biāo)明確的機(jī)器學(xué)習(xí)應(yīng)用程序中引入偏差。

他說，帶有固有偏見的機(jī)器學(xué)習(xí)系統(tǒng)會威脅到客戶或社會利益相關(guān)者中的弱勢群體，并可能產(chǎn)生或延續(xù)不公平的結(jié)果。

咨詢公司麥肯錫（McKinsey）在2017年的一份報告中指出，算法偏差是機(jī)器學(xué)習(xí)的最大風(fēng)險之一，因為它會損害機(jī)器學(xué)習(xí)的真正目的。該公司表示，這是一個經(jīng)常被忽視的缺陷，它會引發(fā)代價高昂的錯誤，如果不加以檢查，可能會將項目和組織拉向完全錯誤的方向。

麥肯錫說，從一開始就有效地解決這一問題將獲得豐厚的回報，使機(jī)器學(xué)習(xí)的真正潛力得到最有效地實現(xiàn)。

沒有充足的資源來做好機(jī)器學(xué)習(xí)

當(dāng)啟動機(jī)器學(xué)習(xí)計劃時，組織很容易低估人員和基礎(chǔ)設(shè)施所需的資源。機(jī)器學(xué)習(xí)可能需要大量的基礎(chǔ)設(shè)施，尤其是在圖像、視頻和音頻處理等領(lǐng)域。

Johnson說，如果沒有所需的處理能力，及時開發(fā)基于機(jī)器學(xué)習(xí)的解決方案可能是非常困難的，如果非做不可的話。

另外，還存在部署和消耗問題。如果基礎(chǔ)設(shè)施不到位，不允許用戶部署和使用結(jié)果，那么開發(fā)機(jī)器學(xué)習(xí)解決方案有什么用呢？

部署一個可擴(kuò)展的基礎(chǔ)設(shè)施來支持機(jī)器學(xué)習(xí)可能是昂貴的，并且很難維護(hù)。但是，有幾種云服務(wù)可以提供可擴(kuò)展的機(jī)器學(xué)習(xí)平臺，可以按需配置。Johnsons說，云方法允許你進(jìn)行大規(guī)模的機(jī)器學(xué)習(xí)實驗，而沒有物理硬件的獲取、配置和部署的束縛。

但一些組織希望自己擁有自己的基礎(chǔ)設(shè)施。如果是這樣的話，云服務(wù)也可以作為跳板和教育經(jīng)驗，這樣這些組織在進(jìn)行大規(guī)模投資之前就可以從基礎(chǔ)設(shè)施的角度了解需要什么了。

從人才的角度來看，缺乏諸如數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)工程師等知識型資源也可能會阻礙機(jī)器學(xué)習(xí)的發(fā)展和部署。擁有了解機(jī)器學(xué)習(xí)概念，應(yīng)用程序和可解釋的資源，確定是否實現(xiàn)了特定的業(yè)務(wù)成果，這一點至關(guān)重要。

Johnson說，不要低估擁有豐富機(jī)器學(xué)習(xí)技能的重要性。擁有豐富知識的人員可以幫助識別數(shù)據(jù)質(zhì)量問題，確保正確使用和部署機(jī)器學(xué)習(xí)工具，并幫助建立最佳實踐和治理策略。

糟糕的計劃和缺乏治理會破壞機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的努力可能會以熱情開始，但隨后也會因失去動力而陷入停頓。這是沒有計劃和缺乏治理的表現(xiàn)。

Johnson說，如果沒有適當(dāng)?shù)闹笇?dǎo)方針和限制，機(jī)器學(xué)習(xí)的努力將無限期地持續(xù)下去，可能會導(dǎo)致巨大的資源支出，而無法帶來任何好處。

組織需要記住，機(jī)器學(xué)習(xí)是一個反復(fù)的過程，隨著時間的推移也需要修改模型來支持不斷變化的需求。因此，從事機(jī)器學(xué)習(xí)的人可能會對完成這項工作缺乏興趣，從而導(dǎo)致一個不良的結(jié)果。項目發(fā)起人可能會轉(zhuǎn)向其他工作，而機(jī)器學(xué)習(xí)工作最終會停滯不前。

Johnson說，你需要定期監(jiān)控機(jī)器學(xué)習(xí)的工作，以確保事情能夠順利進(jìn)行。如果發(fā)現(xiàn)進(jìn)度開始放緩，可能是時候休息一下，并重新檢查一下工作了。