ディープラーニングが従来の方法ほど効果的ではない典型的なケースにはどのようなものがありますか?

ディープラーニングは最先端のテクノロジー分野の 1 つとして、テクノロジーの進歩の鍵であると考えられています。しかし、ディープラーニングが従来の方法ほど効果的ではない場合もあるのでしょうか?この記事は、この質問に対する Zhihu の質の高い回答をまとめたものです。

質問リンク: https://www.zhihu.com/question/451498156

# 回答 1

著者: Jueleizai

ソースリンク: https://www.zhihu.com/question /451498156/answer/ 1802577845

解釈可能性が必要な分野では、基本的な深層学習は従来の手法とは比較になりません。私はここ数年、リスク管理やマネーロンダリング対策の製品に取り組んでいますが、規制では意思決定の説明可能性が求められており、ディープラーニングも試しましたが、説明可能性を達成するのが難しく、結果はあまり良くありませんでした。リスク管理シナリオでは、データのクリーニングは非常に重要です。そうでないと、単なるゴミが入ったゴミになってしまいます。

#上記の内容を書いているときに、2 年前に読んだ記事「ML/AI は必要ありません。SQL が必要です」を思い出しました。

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

著者はナイジェリアのソフトウェア エンジニア、セレスティン オミンです。ナイジェリアのコマース Web サイト One Konga は機能します。精密なマーケティングと古いユーザーに対するパーソナライズされたレコメンデーションが、AI の最も一般的に使用される分野の 1 つであることは誰もが知っています。他の人が深層学習を使用して推奨事項を作成している場合、彼の方法は非常に単純に見えます。彼はただデータベースを調べて、3 か月間ログインしていないユーザーをすべて選別し、それらのユーザーにクーポンをプッシュしました。また、ユーザーのショッピング カート内の製品リストを調べて、これらの人気製品に基づいて関連製品を推奨することも決定しました。

その結果、彼のシンプルな SQL ベースのパーソナライズされた推奨事項を使用すると、ほとんどのマーケティング メールの開封率は 7 ～ 10% となり、うまくいけば、開封率は 7 ～ 10% に近くなります。 25% ～ 30%、業界平均開封率の 3 倍。

もちろん、この例は、レコメンデーションアルゴリズムが役に立たないからみんな SQL を使うべきだと言っているわけではなく、ディープラーニングを適用する際には、コストなどの制約を考慮する必要があることを意味します。およびアプリケーションシナリオ。以前の回答 (アルゴリズム エンジニアの実装能力とは正確には何を指しますか?) で、アルゴリズムを実装する際には実際的な制約を考慮する必要があると述べました。

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

そしてナイジェリアの電子商取引環境、依然として非常に遅れた状態にあり、物流が追いついていない。ディープラーニング手法を活用して効果を高めたとしても、実際には企業全体の利益にはあまり影響しません。

したがって、アルゴリズムを実装する際には、「地域の状況に適応」する必要があり、そうしないと、「扇風機が石鹸箱を吹き飛ばす」という状況が再び発生します。

ある大企業が石鹸包装の生産ラインを導入しましたが、この生産ラインには欠陥があることがわかりました。石鹸の入っていない箱が頻繁にあるということでした。空箱を顧客に販売することはできなかったため、自動化を研究しているポスドクを雇って、石鹸の空箱を分別する計画を立てる必要がありました。 博士研究員は十数人からなる科学研究チームを組織し、機械、マイクロエレクトロニクス、自動化、X線検出などの技術を組み合わせて使用​​し、90万元を費やして問題を解決した。空の石鹸箱が生産ラインを通過するたびに、両側の検出器がそれを検出し、空の石鹸箱を押し出すロボットを駆動します。
中国南部に同じ生産ラインを購入した郷鎮企業がありましたが、この問題を知った上司は非常に怒り、小さな労働者を雇って、「あなたがこれを直してくれるか、そうでなければ、」と言いました。作業員はすぐに方法を考え出し、190元をかけて生産ラインの横に強力扇風機を設置し、激しく風を送り、石鹸の空箱をすべて吹き飛ばした。

(冗談ですが)

ディープラーニングはハンマーですが、世の中のすべてが釘であるわけではありません。

# 回答 2

著者: Mo Xiao Fourier

ソースリンク: https://www.zhihu.com/question/ 451498156/answer/1802730183

一般的なシナリオは 2 つあります:

1. 説明可能性を追求したシナリオ。

ディープ ラーニングは、分類や回帰の問題を解決するのに非常に優れていますが、結果に何が影響するかについての説明は非常に不十分です。実際のビジネス シナリオでは、解釈可能性の要件が非常に厳しくなります。次のようなシナリオでは、深層学習が覆されることがよくあります。

2. 多くの運用最適化シナリオ

#スケジューリング、計画、割り当ての問題など、多くの場合、このような問題は教師あり学習形式にうまく変換できないため、最適化アルゴリズムがよく使用されます。現在の研究では、より良いソリューションを実現するために、ディープ ラーニング アルゴリズムがソリューション プロセスに統合されることがよくありますが、一般に、モデル自体はまだバックボーンとしてのディープ ラーニングではありません。

ディープラーニングは非常に優れたソリューションですが、それだけではなく、実装されたとしても依然として大きな問題があります。深層学習が最適化アルゴリズムに統合されている場合でも、ソリューションのコンポーネントとして非常に役立ちます。

要するに、

答え 3

著者: LinT

ソースリンク: https://www.zhihu.com/question/451498156/answer/1802516688

この質問は、シナリオに基づいて検討する必要があります。ディープ ラーニングにより特徴量エンジニアリングの問題は解消されますが、いくつかのシナリオでは適用が難しい場合があります:

1. アプリケーションにはレイテンシに関する高い要件がありますが、精度はそれほど高くありません。現時点では、単純なモデルの方が適切な選択である可能性があります。
2. 表形式データなどの一部のデータ型では、統計学習モデルの代わりにツリーベースのモデルなどの統計学習モデルを使用する方が適している場合があります。ディープ ラーニング モデル;
3. モデルの決定は、安全関連や経済的な意思決定など、重大な影響を与えるため、モデルは解釈可能である必要があります。次に、線形モデルまたはツリーベースです。モデルはディープ ラーニングよりも適しています。良い選択です。
4. #アプリケーション シナリオによってデータ収集の難易度が決まり、ディープ ラーニングを使用すると過剰適合のリスクがあります

リアル アプリケーションはすべて需要に基づいており、需要 (精度、遅延、コンピューティング消費電力) に関係なくパフォーマンスについて語るのは非科学的です。質問文中の「辛口翻訳」が特定の指標に限定されてしまうと、議論の範囲が狭まってしまう可能性があります。

元のリンク: https://mp.weixin.qq.com/s/tO2OD772qCntNytwqPjUsA

以上がディープラーニングが従来の方法ほど効果的ではない典型的なケースにはどのようなものがありますか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。