প্রশ্ন:
মেশিন লার্নিংকে প্ররোচিতভাবে ব্যবহার করার কিছু বিপদ কী কী?
উত্তর:মেশিন লার্নিং একটি শক্তিশালী নতুন প্রযুক্তি - এবং এটি এমন অনেক কিছু যা নিয়ে কথা হয়। যাইহোক, এন্টারপ্রাইজ অনুশীলনে বাস্তবায়ন এবং সংহতকরণের ক্ষেত্রে এটি সমস্যা ছাড়াই নয়। মেশিন লার্নিংয়ের সাথে অনেকগুলি সম্ভাব্য সমস্যা তার জটিলতা থেকে আসে এবং একটি সফল মেশিন লার্নিং প্রকল্প স্থাপন করতে এটি কী গ্রহণ করে। এখানে নজর রাখার জন্য কয়েকটি বড় ক্ষতি রয়েছে fall
সাহায্য করতে পারে এমন একটি জিনিস সাহায্যের জন্য অভিজ্ঞ মেশিন লার্নিং টিম নিয়োগ করা।
দুর্বলভাবে মেশিন লার্নিংয়ের ব্যবহারের সবচেয়ে খারাপ পরিণতিগুলির একটি হ'ল আপনি "খারাপ ইন্টেল" বলতে পারেন ”এটি যখন মেশিন লার্নিং সরবরাহ করে এমন সিদ্ধান্ত সমর্থন সিস্টেমগুলির ধরণের প্রতিরক্ষার বিষয়টি আসে তবে এটি প্রয়োগ করা যখন এটি আরও গুরুতর serious যেকোন ধরণের মিশন-সমালোচনামূলক সিস্টেম। আপনি যখন স্বয়ং-ড্রাইভিং গাড়ি চালাচ্ছেন তখন আপনার খারাপ ইনপুট থাকতে পারে না। আপনার মেশিন শেখার সিদ্ধান্তগুলি সত্যিকারের লোককে প্রভাবিত করে আপনার খারাপ তথ্য থাকতে পারে না। এমনকি যখন এটি খাঁটিভাবে বাজার গবেষণার মতো জিনিসের জন্য ব্যবহৃত হয়, খারাপ বুদ্ধি সত্যিই আপনার ব্যবসা ডুবতে পারে। মনে করুন মেশিন লার্নিং অ্যালগরিদমগুলি সুনির্দিষ্ট এবং লক্ষ্যযুক্ত পছন্দগুলি না করে - এবং তারপরে এক্সিকিউটিভরা কম্পিউটার প্রোগ্রাম যা সিদ্ধান্ত নেয় তা অন্ধভাবে চলে যায়! এটি সত্যিই কোনও ব্যবসায়িক প্রক্রিয়া জগাখিচুড়ি করতে পারে। দুর্বল এমএল ফলাফল এবং দুর্বল মানব পর্যবেক্ষণের সংমিশ্রণ ঝুঁকি বাড়ায়।
অন্য একটি সম্পর্কিত সমস্যাটি অ্যালগরিদম এবং অ্যাপ্লিকেশনগুলি দুর্বলভাবে সম্পাদন করা। কিছু ক্ষেত্রে, মেশিন লার্নিংটি মৌলিক স্তরে সঠিকভাবে কাজ করতে পারে তবে পুরোপুরি সুনির্দিষ্ট নয়। আপনার কাছে বিস্তৃত সমস্যাগুলির সাথে সত্যিই ক্লানকি অ্যাপ্লিকেশন থাকতে পারে এবং একটি মাইল দীর্ঘ একটি বাগ তালিকা রয়েছে এবং সমস্ত কিছু সংশোধন করার চেষ্টা করতে অনেক সময় ব্যয় করতে পারেন, যেখানে মেশিন শেখার ব্যবহার না করেই আপনি আরও কঠোর এবং আরও কার্যকরী প্রকল্প পেতে পারেন। এটি একটি কমপ্যাক্ট গাড়িতে বিশাল উচ্চ-অশ্বশক্তি ইঞ্জিন রাখার চেষ্টা করার মতো - এটি ফিট করতে হবে।
মেশিনের অন্তর্নিহিত শেখার ক্ষেত্রে এটি আমাদের আরও একটি বড় সমস্যায় নিয়ে আসে - ওভারফিটিং সমস্যা। আপনার মেশিন লার্নিং প্রক্রিয়াটি যেমন আপনার ব্যবসায়িক প্রক্রিয়ার সাথে খাপ খায়, তেমনি আপনার অ্যালগরিদমকে প্রশিক্ষণের ডেটা ফিট করতে হয় - বা এটি অন্য কোনও উপায়ে রাখতে, প্রশিক্ষণের ডেটাটি অ্যালগরিদমকে ফিট করতে হয়। ওভারফিটিংয়ের ব্যাখ্যা দেওয়ার সবচেয়ে সহজ উপায়টি হল একটি জাতি-রাষ্ট্রের সীমান্তের মতো দ্বি-মাত্রিক জটিল আকারের উদাহরণ। কোনও মডেল ফিট করার অর্থ আপনি কতটা ডেটা পয়েন্ট স্থাপন করতে যাচ্ছেন তা ঠিক করা। আপনি যদি কেবল ছয় বা আটটি ডেটা পয়েন্ট ব্যবহার করেন তবে আপনার সীমানাটি বহুভুজের মতো দেখাবে। আপনি যদি 100 ডেটা পয়েন্ট ব্যবহার করেন তবে আপনার কনট্যুরটি সমস্ত অদ্ভুত দেখাচ্ছে। আপনি যখন মেশিন লার্নিং প্রয়োগ করার কথা ভাবেন তখন আপনাকে সঠিক ফিটিংটি বেছে নিতে হবে। সিস্টেমটি ভালভাবে চালিত করার জন্য আপনি পর্যাপ্ত তথ্য পয়েন্টগুলি চান, তবে জটিলতার কারণে এটিকে চালিত করার জন্য খুব বেশি কিছু নেই।
ফলাফলগুলির সমস্যার দক্ষতার সাথে করণীয় - যদি আপনি অতিরিক্ত ফিট, অ্যালগরিদম বা খারাপভাবে সম্পাদনকারী অ্যাপ্লিকেশন নিয়ে সমস্যা তৈরি করেন তবে আপনার ব্যয় ডুবে যাবে। কোর্স পরিবর্তন করা এবং মানিয়ে নেওয়া কঠিন হতে পারে এবং মেশিন লার্নিং প্রোগ্রামগুলি ভাল যাচ্ছেন না তা থেকে মুক্তি পেতে পারেন। ভাল সুযোগ খরচের পছন্দগুলির জন্য ক্রয়-ইন একটি সমস্যা হতে পারে। সুতরাং সত্যই, সফল মেশিন লার্নিংয়ের পথটি কখনও কখনও চ্যালেঞ্জের সাথে পরিপূর্ণ। এন্টারপ্রাইজ প্রসঙ্গে মেশিন লার্নিং বাস্তবায়নের চেষ্টা করার সময় এটি সম্পর্কে চিন্তা করুন।
