如何避免三个常见的机器学习错误？

基于云的机器学习和深度学习一再被误用。这多半都可以轻松解决，当然，基于云的机器学已得到了广泛的使用。但你要用得巧妙，用得恰当。

企业不断犯这三个错误：浪费资金，降低应用程序性能，还有成效不佳。

我非常喜欢基于云的机器学习和深度学习，以及一般意义上的人工智能。毕竟，如果你无法想象这样的场景——与能回答问题且执行命令的具有人工智能的实体展开对话，你就不能成为一名极客!

话虽这么说，我也发现，基于云的机器学习和深度学习一再被误用。这多半都可以轻松解决，当然，基于云的机器学已得到了广泛的使用。但你要用得巧妙，用得恰当。

以下是我看到的三个反复出现的错误。

1.没有足够的数据来为知识模型提供训练

没有经历过任何学习的机器学习是毫无价值的。机器学习的真实用例是将算法应用于大量的数据，并且使某些模式显现出来，这些模式成了用于基于机器学习的应用程序的培训。

所以，没有数据就谈不上学习。虽然机器学习应用程序最终会收集数据并变得更加智能，但它需要一个出发点，在这个出发点，数据多得足以教会系统如何思考。

例如，有一些机器学习系统运行在医院中，这些系统用魔法般的手段向员工透露你住院期间死亡的可能性。如果连100,000个数据点都没有，你可以指望该可能性为0或100%——这毫无帮助。

2.在不需要机器学习的地方使用机器学习

这是我见过的最常见的失败事项——因在应用程序中使用机器学习而导致公司在开发成本上增加两倍或三倍——完全平白无故地。机器学习系统在很多用例中根本没有发挥真正的优势。

程序逻辑在大多数情况下都管用，因此为会计系统或调度系统构建知识库就太过分了。更糟糕的是，由此产生的应用程序效率要低得多。

3.不了解性能影响

在应用程序中嵌入机器学习系统有时可以使它们对业务更有价值。但这也可能会使应用程序的性能大打折扣。

试想一下：嵌入式机器学习服务在跨数据运行算法时可能会有几秒的延迟。如果该应用程序要近乎实时地提供响应，由于延迟响应导致的生产力损失，机器学习的一切价值都会迅速地消失。