当人们在没有投入足够时间进行规划的情况下使用机器学习时，结果会较差也就不足为奇了。

陷入这种情况的项目经理和其他利益相关者可能会发现算法缺乏准确性，或者机器学习程序提供的“不良情报”。这可能会导致各种问题，并且在尝试实现业务目标和期望结果时，可能会将信息的人类解释者引向错误的方向。

不同类型的机器学习偏差可能会使机器学习程序产生错误的见解，而脏数据可能会导致人们做出错误的业务决策。当这种情况发生时，领导者必须应对投资于结果不佳的机器学习项目的沉没成本。（另请阅读：关于启动机器学习项目的 4 个误区。）

当问题实际上是由算法薄弱、数据有偏差、数据质量差引起时，他们可能倾向于归咎于计算机或人工智能 (AI)。（另请阅读：质量数据：为什么多样性对于训练人工智能至关重要。）然后存在过度拟合和欠拟合的问题，这可能会导致以下两种情况之一：要么结果太窄而无用，要么结果将太宽泛了，没有任何用处。这是专家在讨论机器学习中的拟合和维度时谈论的很多内容。

过快投资机器学习项目的公司可能会看到糟糕的结果。制定实施机器学习模型的要求应该是一个迭代过程，利益相关者首先定义机器学习如何支持业务目标。一旦选择了机器学习模型，持续进行调整就很重要。出于所有这些原因，最好对 ML 项目进行足够的范围工作和定位。

• 第一阶段：制定机器学习如何支持特定业务目标的计划。
• 第二阶段：寻找商业现成 (COTS) ML 服务，帮助您快速构建原型。
• 第三阶段：在模拟（沙箱）环境中测试机器学习原型，以确保结果符合预期。
• 第四阶段：持续监控结果并记录可在未来项目中使用的知识。

    上一篇我们送上的文章是 非结构化数据如何为您的企业带来利润？ ， _!在下一篇继续做详细介绍，如需了解更多，请持续关注。
本文由日本NEC锂电池中国营销中心于2023-07-16 17:19:59 整理发布。
转载请注明出处.