Apakah beberapa kes klasik di mana pembelajaran mendalam tidak berkesan seperti kaedah tradisional?

Sebagai salah satu bidang teknologi yang paling canggih, pembelajaran mendalam sering dianggap sebagai kunci kepada kemajuan teknologi. Walau bagaimanapun, adakah terdapat beberapa kes di mana pembelajaran mendalam tidak berkesan seperti kaedah tradisional? Artikel ini meringkaskan beberapa jawapan berkualiti tinggi daripada Zhihu untuk menjawab soalan ini

Pautan soalan: https://www.zhihu.com/question/451498156

# Jawapan 1

sangat keliru

Pautan sumber: https://www.zhihu.com/question/451498156/answer/1802577845

Untuk bidang yang memerlukan kebolehtafsiran, pembelajaran mendalam asas tidak dapat dibandingkan dengan kaedah tradisional. Saya telah mengusahakan produk kawalan risiko/pencegahan pengubahan wang haram selama beberapa tahun kebelakangan ini, tetapi peraturan memerlukan keputusan kami boleh dijelaskan Kami telah mencuba pembelajaran mendalam, tetapi kebolehjelasan sukar dicapai, dan hasilnya tidak begitu baik. Untuk senario kawalan risiko, pembersihan data adalah sangat penting, jika tidak, ia hanya akan menjadi sampah di dalam sampah keluar.

Semasa menulis kandungan di atas, saya teringat artikel yang saya baca dua tahun lalu: "Anda tidak perlukan ML/AI, anda perlukan SQL"

https://www.php.cn/link / f0e1f0412f36e086dc5f596b84370e86

Pengarang ialah Celestine Omin, seorang jurutera perisian Nigeria yang bekerja di Konga, salah satu tapak web e-dagang terbesar di Nigeria. Kita semua tahu bahawa pemasaran ketepatan dan pengesyoran diperibadikan untuk pengguna lama adalah salah satu bidang AI yang paling biasa digunakan. Apabila orang lain menggunakan pembelajaran mendalam untuk membuat cadangan, kaedahnya kelihatan sangat mudah. Dia hanya menjalankan pangkalan data, menyaring semua pengguna yang tidak melog masuk selama tiga bulan, dan menolak kupon kepada mereka. Ia juga melalui senarai produk dalam troli beli-belah pengguna dan memutuskan untuk mengesyorkan produk berkaitan berdasarkan produk popular ini.

Akibatnya, dengan pengesyoran diperibadikan berasaskan SQLnya yang ringkas, kadar terbuka kebanyakan e-mel pemasaran adalah antara 7-10%. kadar terbuka purata tiga kali ganda kadar.

Sudah tentu, contoh ini bukan untuk memberitahu semua orang bahawa algoritma pengesyoran tidak berguna dan semua orang harus menggunakan SQL, tetapi ini bermakna apabila menggunakan pembelajaran mendalam, anda perlu mempertimbangkan kekangan seperti kos dan senario aplikasi. Dalam jawapan saya sebelum ini (Apakah sebenarnya keupayaan pelaksanaan jurutera algoritma merujuk kepada?), Saya menyebut bahawa kekangan praktikal perlu dipertimbangkan semasa melaksanakan algoritma.

https://www.php.cn/link/f0e1f0412f36e086dc5f596b84370e86

Persekitaran e-dagang di Nigeria dan logistik masih tidak boleh ketinggalan. Walaupun kaedah pembelajaran mendalam digunakan untuk meningkatkan kesan, ia sebenarnya tidak akan memberi kesan yang besar kepada keuntungan keseluruhan syarikat.

Oleh itu, algoritma mesti "disesuaikan dengan keadaan tempatan" apabila dilaksanakan, jika tidak, situasi "kipas elektrik meniup kotak sabun" akan berlaku lagi.

Sebuah syarikat besar memperkenalkan barisan pengeluaran pembungkusan sabun, tetapi mendapati barisan pengeluaran ini mempunyai kecacatan: selalunya terdapat kotak tanpa sabun. Mereka tidak dapat menjual kotak kosong kepada pelanggan, jadi mereka terpaksa mengupah postdoc yang mempelajari automasi untuk mereka bentuk rancangan mengisih kotak sabun kosong.
Felo pasca doktoral menganjurkan pasukan penyelidikan saintifik lebih daripada sedozen orang dan menggunakan gabungan jentera, mikroelektronik, automasi, pengesanan sinar-X dan teknologi lain, membelanjakan 900,000 yuan untuk berjaya menyelesaikan masalah itu. Setiap kali kotak sabun kosong melalui barisan pengeluaran, pengesan di kedua-dua belah pihak akan mengesannya dan memandu robot untuk menolak kotak sabun kosong itu.
Terdapat perusahaan perbandaran di selatan China yang juga membeli barisan pengeluaran yang sama Apabila bos mengetahui masalah ini, dia sangat marah dan menemui seorang pekerja kecil dan berkata, "Anda boleh membaiki ini untuk saya, atau anda boleh merangkak. pergi." Dia segera memikirkan cara dan membelanjakan 190 yuan untuk meletakkan kipas elektrik berkuasa tinggi di sebelah barisan pengeluaran dan meniupnya dengan kuat, supaya semua kotak sabun yang kosong hanyut.

(Walaupun ia hanya gurauan)

Pembelajaran mendalam adalah tukul, tetapi tidak semua yang ada di dunia ini adalah paku. #Jawapan 2

1. Senario yang mengejar kebolehjelasan.

Pembelajaran mendalam sangat baik dalam menyelesaikan masalah klasifikasi dan regresi, tetapi penjelasannya tentang apa yang mempengaruhi keputusan adalah sangat lemah Jika dalam senario perniagaan sebenar, keperluan tafsiran adalah sangat tinggi, seperti senario berikut, kemudian mendalam. pembelajaran sering terbalik .

2. Banyak senario pengoptimuman operasi

seperti masalah penjadualan, perancangan dan peruntukan Selalunya masalah sebegini tidak boleh diubah menjadi format pembelajaran yang diselia, jadi selalunya masalah pengoptimuman. Dalam penyelidikan semasa, algoritma pembelajaran mendalam sering disepadukan ke dalam proses penyelesaian untuk penyelesaian yang lebih baik, tetapi secara umum, model itu sendiri belum lagi pembelajaran mendalam sebagai tulang belakang.

Pembelajaran mendalam adalah idea penyelesaian yang sangat baik, tetapi ia bukan satu-satunya Walaupun apabila dilaksanakan, masih terdapat masalah besar. Jika pembelajaran mendalam disepadukan ke dalam algoritma pengoptimuman, sebagai komponen penyelesaian, ia masih mempunyai banyak kegunaan.

Ringkasnya,

# Jawab tiga

Pengarang: LinT

Sumber pautan: https://www.zhihu.com/answer98

16814/answer/180814

Soalan ini perlu Tengok adegan. Walaupun pembelajaran mendalam menghapuskan masalah kejuruteraan ciri, ia mungkin sukar untuk digunakan dalam beberapa senario:

1. Aplikasi mempunyai keperluan yang tinggi pada kependaman, tetapi tidak mempunyai keperluan yang tinggi untuk ketepatan Dalam kes ini, model mudah mungkin menjadi Pilihan yang lebih baik;
2. Sesetengah jenis data, seperti data jadual, mungkin lebih sesuai untuk menggunakan model pembelajaran statistik seperti model berasaskan pokok dan bukannya model pembelajaran mendalam
3. Keputusan model mempunyai kesan yang ketara, seperti kerana berkaitan keselamatan, pembuatan keputusan ekonomi adalah berkaitan dan memerlukan model itu boleh ditafsir, jadi model linear atau model berasaskan pokok adalah pilihan yang lebih baik daripada pembelajaran mendalam
4. Senario aplikasi menentukan kesukaran pengumpulan data, dan ada; adalah risiko terlalu sesuai apabila menggunakan pembelajaran mendalam

Aplikasi sebenar semuanya berdasarkan permintaan Adalah tidak saintifik untuk bercakap tentang prestasi tanpa mengira permintaan (ketepatan, kelewatan, penggunaan kuasa pengkomputeran). Jika "terjemahan kering" dalam soalan terhad kepada penunjuk tertentu, skop perbincangan mungkin dikecilkan.

Pautan asal: https://mp.weixin.qq.com/s/tO2OD772qCntNytwqPjUsA

Atas ialah kandungan terperinci Apakah beberapa kes klasik di mana pembelajaran mendalam tidak berkesan seperti kaedah tradisional?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!