當(dāng)人們?cè)跊](méi)有投入足夠時(shí)間進(jìn)行規(guī)劃的情況下使用機(jī)器學(xué)習(xí)時(shí)，結(jié)果會(huì)較差也就不足為奇了。

陷入這種情況的項(xiàng)目經(jīng)理和其他利益相關(guān)者可能會(huì)發(fā)現(xiàn)算法缺乏準(zhǔn)確性，或者機(jī)器學(xué)習(xí)程序提供的“不良情報(bào)”。這可能會(huì)導(dǎo)致各種問(wèn)題，并且在嘗試實(shí)現(xiàn)業(yè)務(wù)目標(biāo)和期望結(jié)果時(shí)，可能會(huì)將信息的人類(lèi)解釋者引向錯(cuò)誤的方向。

不同類(lèi)型的機(jī)器學(xué)習(xí)偏差可能會(huì)使機(jī)器學(xué)習(xí)程序產(chǎn)生錯(cuò)誤的見(jiàn)解，而臟數(shù)據(jù)可能會(huì)導(dǎo)致人們做出錯(cuò)誤的業(yè)務(wù)決策。當(dāng)這種情況發(fā)生時(shí)，領(lǐng)導(dǎo)者必須應(yīng)對(duì)投資于結(jié)果不佳的機(jī)器學(xué)習(xí)項(xiàng)目的沉沒(méi)成本。（另請(qǐng)閱讀：關(guān)于啟動(dòng)機(jī)器學(xué)習(xí)項(xiàng)目的 4 個(gè)誤區(qū)。）

當(dāng)問(wèn)題實(shí)際上是由算法薄弱、數(shù)據(jù)有偏差、數(shù)據(jù)質(zhì)量差引起時(shí)，他們可能傾向于歸咎于計(jì)算機(jī)或人工智能 (AI)。（另請(qǐng)閱讀：質(zhì)量數(shù)據(jù)：為什么多樣性對(duì)于訓(xùn)練人工智能至關(guān)重要。）然后存在過(guò)度擬合和欠擬合的問(wèn)題，這可能會(huì)導(dǎo)致以下兩種情況之一：要么結(jié)果太窄而無(wú)用，要么結(jié)果將太寬泛了，沒(méi)有任何用處。這是專(zhuān)家在討論機(jī)器學(xué)習(xí)中的擬合和維度時(shí)談?wù)摰暮芏鄡?nèi)容。

過(guò)快投資機(jī)器學(xué)習(xí)項(xiàng)目的公司可能會(huì)看到糟糕的結(jié)果。制定實(shí)施機(jī)器學(xué)習(xí)模型的要求應(yīng)該是一個(gè)迭代過(guò)程，利益相關(guān)者首先定義機(jī)器學(xué)習(xí)如何支持業(yè)務(wù)目標(biāo)。一旦選擇了機(jī)器學(xué)習(xí)模型，持續(xù)進(jìn)行調(diào)整就很重要。出于所有這些原因，最好對(duì) ML 項(xiàng)目進(jìn)行足夠的范圍工作和定位。

• 第一階段：制定機(jī)器學(xué)習(xí)如何支持特定業(yè)務(wù)目標(biāo)的計(jì)劃。
• 第二階段：尋找商業(yè)現(xiàn)成 (COTS) ML 服務(wù)，幫助您快速構(gòu)建原型。
• 第三階段：在模擬（沙箱）環(huán)境中測(cè)試機(jī)器學(xué)習(xí)原型，以確保結(jié)果符合預(yù)期。
• 第四階段：持續(xù)監(jiān)控結(jié)果并記錄可在未來(lái)項(xiàng)目中使用的知識(shí)。

    上一篇我們送上的文章是 非結(jié)構(gòu)化數(shù)據(jù)如何為您的企業(yè)帶來(lái)利潤(rùn)？ ， _!在下一篇繼續(xù)做詳細(xì)介紹，如需了解更多，請(qǐng)持續(xù)關(guān)注。
本文由日本NEC鋰電池中國(guó)營(yíng)銷(xiāo)中心于2023-07-16 17:19:59 整理發(fā)布。
轉(zhuǎn)載請(qǐng)注明出處.