Вы думали, что модели машинного обучения так хороши в прогнозировании, кластеризации данных, регрессии, классификации данных, построении систем рекомендаций и т. д., но
почему сложно реализовать на уровне бизнес-аналитики?!!
почему сложно в больших масштабах?!!…..
Итак, съемки здесь:
мы ставим его в точку, чтобы он учитывал все причины.
Доступность данных и доступность
Наличие необработанных данных необходимо компаниям для внедрения машинного обучения. нам нужны были огромные массивы данных для обучения алгоритмов машинного обучения. Однако сбор данных — не единственная проблема. Вам также необходимо смоделировать и обработать данные в соответствии с алгоритмами, которые вы будете использовать. В 2013 году IBM поделилась статистикой, показывающей, что 90% данных в мире были созданы за последние два года. Итак, на сегодняшний день на рынке доступны тонны данных, но доступны ли они? или, если да, можем ли мы наилучшим образом их использовать? будут ли владельцы данных доверять надежности своих данных по любым бизнес-моделям? конфиденциальность? которые привлекли наше внимание к безопасности данных и этике
Безопасность данных
Безопасность данных также является одной из часто встречающихся проблем в машинном обучении. После того, как компания раскопала данные, безопасность становится очень важным аспектом, о котором необходимо позаботиться. Различие между конфиденциальными и неконфиденциальными данными необходимо для правильной и эффективной реализации машинного обучения. Компании должны хранить конфиденциальные данные, шифруя такие данные и сохраняя их на других серверах или в месте, где данные полностью защищены. Менее конфиденциальные данные могут быть доступны для доверенных членов команды.
Отсутствие таланта
самая тревожная проблема, с которой сталкиваются компании при внедрении машинного обучения. Несмотря на то, что количество энтузиастов машинного обучения на рынке увеличилось, все равно потребуется некоторое время, чтобы те же цифры отразились на количестве экспертов по машинному обучению. Поскольку искусственный интеллект и машинное обучение являются относительно молодыми технологиями в ИТ-индустрии, нам нужны специалисты по машинному обучению, чтобы понимать и внедрять сложные модели машинного обучения. А если нет, то трудно раскрыть истинный потенциал приложений машинного обучения в бизнес-аналитике.
отсутствие управления
Модели машинного обучения большие и сложные, и их необходимо развертывать в больших масштабах, что требует соответствующих процессов управления рисками и контроля. Это может быть невозможно в небольшой компании, что подвергает компанию риску. Систему не всегда можно проверить, контролировать и управлять. Таким образом, производительность влияет.
отсутствие финансовой поддержки
Многие предприятия могут не иметь хорошего доступа к финансовым ресурсам, что, в свою очередь, влияет на внедрение моделей, качество, время и таланты. Это мешает компаниям процветать на рынках с большой капитализацией среди своих конкурентов.
Отсутствие инфраструктуры для моделей
у компаний, которые сталкиваются с проблемами машинного обучения, есть что-то общее. Им отсутствует надлежащая инфраструктура, необходимая для моделирования и повторного использования данных. предпочтительна крупномасштабная совместимость, но для достижения этого она должна быть точной и соответствовать потребностям клиента, что требует надлежащей инфраструктуры для развертывания и поддержания ее надежности. таким образом, многим небольшим компаниям не хватило средств для прохождения всех инфраструктурных сценариев.
Надлежащая инфраструктура помогает тестировать различные инструменты. Частые тесты также должны быть разрешены для получения наилучших возможных и желаемых результатов, которые, в свою очередь, помогают выделиться среди конкурентов.
