什麼時候使用機器學習比較合理

在IT技術領域,我們經常遇到堅持使用ML的買家。對他們來說,機器學習似乎很神奇。這是由於網路上關於機器學習的資訊顯示失真造成的。有時,一項必要的任務由於其簡單性而甚至不需要 ML,有時由於其複雜性,它也不需要 ML。撰寫本文的目的是讓您清楚了解 ML 不應該做什麼、還不能做什麼以及可以提供哪些幫助。如果您的業務案例需要專業協助,我可以在這裡獲得免費且非常中肯。

機器學習不該做什麼?

如果任務很簡單且模式很明顯,那麼 寮國電報數據 就不需要機器學習的幫助。您需要編寫幾行程式碼來自動化該程式。在此類簡單的問題中,基於規則的經典自動化將比使用機器學習更有效。這種方式將減少時間和資源消耗,並且效率提高 100%。

例如,一位客戶被要求製作一個機器學習模型,對他每天收到的某些文件進行分類。在這種情況下,我沒有使用機器學習,而是找到了另一個解決方案。使用文件視覺化,我看到有一個關鍵字列表,透過這些關鍵字來區分這些文件。我寫了幾行程式碼。該程式碼有助於在文件中找到很酷的單字並對它們進行分類。我在沒有機器學習幫助的情況下解決了這個簡單的問題,客戶認為機器學習是唯一的出路。

讓我們想像一下,我們透過建立機器學習模型來解決這個問題。第一步是在訓練模型以區分某些提交的文檔之前對它們進行註釋。這將是耗時且昂貴的。因此,機器學習會做出錯誤的預測,而幾行程式碼仍然是最好的選擇。

我的同事要求對衛星影像中的游泳池和綠地進行分割。對於分割,他使用顏色(基於規則的靜態閾值)並且沒有使用機器學習。這是一個完美且快速的解決方案。

我的朋友告訴我他使用解析器來分割句子。而這個方法已經超越了他公司的機器學習模型。解析器是一個執行相同任務的函式庫,但不使用機器學習。

對文件進行分類時完全不需要機器學習。畢竟,任務盡可能明顯。還有一些有爭議的問題:在報價和池的細分中我應該使用機器學習還是代碼?有研究使用並比較了這兩種選擇。為了對光學衛星進行分類,瑞安和他的同事使用了程式碼和機器學習。因此他們將衛星分為形態類別,然後比較結果。

很多時候,這一切都取決於場景。舉個例子:我的同事對規則的使用有多樣性的限制。我在這裡談論的是傳統規則,關於體力勞動。基於規則的機器學習則不同。機器學習自動定義規則,但它需要資料。

機器學習不能做什麼

 

Telegram 資料庫使用者列表

如果我們談論的是機器學習無法做到的事情,那麼值得講述以下故事。客戶來了並訂購了模型設定。該模型應該執行客戶支援服務執行的所有任務。這包括接聽電話、回應投訴等。建立一個可以重定向投訴和分析評論的模型非常簡單。但 Salesforce 忠誠度的力量:加強銷售和行銷工作 目前還不可能建構一個通用的多重機器學習或能夠準確、正確地回應評論的機器學習。

機器學習能做什麼

機器學習可以解決各種問題──翻譯語 號碼數據 言、辨識圖片中的臉孔。近期任何操作都可以自動化,最主要的是大量的訓練資料。如果沒有數據,就沒有訓練。畢竟,並非總是能夠立即了解 ML 是否應該用於特定任務。在這種情況下,工程師會檢查專案以確定其是否可行。

Scroll to Top