In welchen klassischen Fällen ist Deep Learning nicht so effektiv wie herkömmliche Methoden?

Als eines der modernsten Technologiefelder wird Deep Learning oft als Schlüssel zum technologischen Fortschritt angesehen. Gibt es jedoch Fälle, in denen Deep Learning nicht so effektiv ist wie herkömmliche Methoden? Dieser Artikel fasst einige hochwertige Antworten von Zhihu zur Beantwortung dieser Frage zusammen. Ich bin so verwirrt

Quellenlink: https://www.zhihu.com/question/451498156/answer/1802577845

Für Bereiche, die Interpretierbarkeit erfordern, ist grundlegendes Deep Learning nicht mit herkömmlichen Methoden zu vergleichen. Ich arbeite seit einigen Jahren an Produkten zur Risikokontrolle/Geldwäschebekämpfung, aber die Vorschriften erfordern, dass unsere Entscheidungen erklärbar sind. Wir haben es mit Deep Learning versucht, aber die Erklärbarkeit ist schwer zu erreichen und die Ergebnisse sind nicht sehr gut. Für Risikokontrollszenarien ist die Datenbereinigung sehr wichtig, da sonst nur Müll im Müll rauskommt.

Während ich den obigen Inhalt schrieb, fiel mir ein Artikel ein, den ich vor zwei Jahren gelesen hatte: „Du brauchst kein ML/AI, du brauchst SQL“

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

Die Autorin ist Celestine Omin, eine nigerianische Softwareentwicklerin, die bei Konga arbeitet, einer der größten E-Commerce-Websites in Nigeria. Wir alle wissen, dass Präzisionsmarketing und personalisierte Empfehlungen für alte Benutzer einer der am häufigsten verwendeten Bereiche der KI sind. Wenn andere Deep Learning nutzen, um Empfehlungen abzugeben, scheint seine Methode äußerst einfach zu sein. Er ging einfach die Datenbank durch, filterte alle Benutzer heraus, die sich drei Monate lang nicht angemeldet hatten, und schickte ihnen Gutscheine zu. Außerdem wurde die Produktliste im Warenkorb des Benutzers durchgesehen und beschlossen, verwandte Produkte auf Basis dieser beliebten Produkte zu empfehlen.

Mit seinen einfachen SQL-basierten personalisierten Empfehlungen liegt die Öffnungsrate der meisten Marketing-E-Mails zwischen 7 und 10 %. Bei guter Umsetzung liegt die Öffnungsrate bei nahezu 25 bis 30 %, was der Branche entspricht durchschnittliche Öffnungsrate dreimal so hoch.

Natürlich soll dieses Beispiel nicht jedem sagen, dass der Empfehlungsalgorithmus nutzlos ist und jeder SQL verwenden sollte, aber es bedeutet, dass bei der Anwendung von Deep Learning Einschränkungen wie Kosten und Anwendungsszenarien berücksichtigt werden müssen. In meiner vorherigen Antwort (Was genau bedeutet die Implementierungsfähigkeit eines Algorithmeningenieurs?) habe ich erwähnt, dass bei der Implementierung von Algorithmen praktische Einschränkungen berücksichtigt werden müssen.

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

Das E-Commerce-Umfeld in Nigeria ist immer noch sehr rückständig und die Logistik kann nicht mithalten. Selbst wenn die Deep-Learning-Methode zur Verbesserung des Effekts eingesetzt wird, hat dies keinen großen Einfluss auf den Gesamtgewinn des Unternehmens.

Daher muss der Algorithmus bei der Implementierung „an die örtlichen Gegebenheiten angepasst“ werden, sonst kommt es erneut zu der Situation, dass „der elektrische Ventilator die Seifenkiste bläst“.

Ein großes Unternehmen führte eine Produktionslinie für Seifenverpackungen ein, stellte jedoch fest, dass diese Produktionslinie einen Fehler aufwies: Es gab oft Schachteln ohne Seife. Sie konnten keine leeren Kisten an Kunden verkaufen, also mussten sie einen Postdoktoranden einstellen, der Automatisierung studierte, um einen Plan zum Sortieren leerer Seifenkisten zu entwerfen. Der Postdoktorand stellte ein wissenschaftliches Forschungsteam aus mehr als einem Dutzend Personen zusammen und nutzte eine Kombination aus Maschinen, Mikroelektronik, Automatisierung, Röntgenerkennung und anderen Technologien und gab 900.000 Yuan aus, um das Problem erfolgreich zu lösen. Immer wenn eine leere Seifenkiste die Produktionslinie passiert, wird dies von Detektoren auf beiden Seiten erkannt und ein Roboter gesteuert, der die leere Seifenkiste wegschiebt. Es gibt ein Township-Unternehmen in Südchina, das ebenfalls die gleiche Produktionslinie gekauft hat. Als der Chef von diesem Problem erfuhr, wurde er sehr wütend und fand einen kleinen Arbeiter und sagte: „Sie können das für mich reparieren, oder Sie können kriechen.“ weg.“ Er fand schnell einen Weg und gab 190 Yuan aus, um einen leistungsstarken elektrischen Ventilator neben der Produktionslinie zu platzieren und ihn stark zu blasen, sodass alle leeren Seifenkisten weggeblasen wurden.

(Obwohl es nur ein Witz ist)

Deep Learning ist ein Hammer, aber nicht alles auf der Welt ist ein Nagel.

# Antwort 2

Autor: Mo Xiao Fourier

Quellenlink: https://www.zhihu.com/question/451498156/answer/1802730183

Es gibt zwei weitere häufige Szenarien:

1. Szenarien, die Erklärbarkeit anstreben.

Deep Learning eignet sich sehr gut zur Lösung von Klassifizierungs- und Regressionsproblemen, aber die Erklärung dessen, was sich auf die Ergebnisse auswirkt, ist sehr schwach. Wenn in tatsächlichen Geschäftsszenarien die Anforderungen an die Interpretierbarkeit sehr hoch sind, wie beispielsweise in den folgenden Szenarien, dann ist sie tiefgreifend Lernen wird oft umgeworfen.

2. Viele betriebliche Optimierungsszenarien

wie Planungs-, Planungs- und Zuordnungsprobleme können häufig nicht gut in überwachte Lernformate umgewandelt werden, daher werden häufig Optimierungsalgorithmen verwendet. In der aktuellen Forschung werden Deep-Learning-Algorithmen häufig in den Lösungsprozess integriert, um bessere Lösungen zu erzielen, aber im Allgemeinen ist das Modell selbst noch nicht das Rückgrat von Deep Learning.

Deep Learning ist eine sehr gute Lösungsidee, aber nicht die einzige. Auch bei der Umsetzung gibt es immer noch große Probleme. Wenn Deep Learning als Bestandteil der Lösung in den Optimierungsalgorithmus integriert wird, ist es immer noch von großem Nutzen.

Kurz gesagt,

# Antwort drei

Autor: LinT

Quellenlink: https://www.zhihu.com/question/451498156/answer/1802516688

Diese Frage muss sein Schauen Sie sich die Szenen an. Obwohl Deep Learning den Aufwand des Feature-Engineerings eliminiert, kann es in einigen Szenarien schwierig sein, es anzuwenden:

1. Anwendungen haben hohe Anforderungen an die Latenz, aber nicht so hohe Anforderungen an die Genauigkeit. In diesem Fall ist ein einfaches Modell möglicherweise besser Auswahl;
2. Einige Datentypen, wie z. B. Tabellendaten, eignen sich möglicherweise besser für die Verwendung statistischer Lernmodelle, z. B. baumbasierter Modelle, anstelle von Deep-Learning-Modellen.
3. Modellentscheidungen haben erhebliche Auswirkungen, z. B. auf die Sicherheit. Die Entscheidungsfindung hängt mit der Wirtschaft zusammen und erfordert, dass das Modell interpretierbar ist. Daher sind lineare Modelle oder baumbasierte Modelle eine bessere Wahl als Deep Learning.
4. Das Anwendungsszenario bestimmt die Schwierigkeit der Datenerfassung und es besteht ein Risiko von Überanpassung beim Einsatz von Deep Learning

Echte Anwendungen basieren alle auf der Nachfrage. Es ist unwissenschaftlich, unabhängig von der Nachfrage (Genauigkeit, Verzögerung, Rechenleistungsverbrauch) über Leistung zu sprechen. Wenn die „trockene Übersetzung“ in der Frage auf einen bestimmten Indikator beschränkt wird, kann der Diskussionsumfang eingeschränkt werden.

Originallink: https://mp.weixin.qq.com/s/tO2OD772qCntNytwqPjUsA

Das obige ist der detaillierte Inhalt vonIn welchen klassischen Fällen ist Deep Learning nicht so effektiv wie herkömmliche Methoden?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!