Depende del objetivo del negocio. Si el objetivo en cuestión es simplemente mejorar una tarea de clasificación con métricas bien definidas (por ejemplo, una mejor clasificación para aumentar las tasas de clics, un modelo de lenguaje neuronal para mejorar el análisis de sentimientos de los tweets) y la empresa tiene suficientes puntos de datos históricos para aprender, entonces usar DL está muy probablemente justificado. Los modelos DL prosperan en entornos ricos en datos donde la complejidad de las características para aprender es potencialmente ilimitada, y esta complejidad es auxiliar para el objetivo comercial. Si, por otro lado, responder al “por qué” es la parte más importante de un objetivo comercial (por ejemplo, un análisis causal de la pérdida de clientes), entonces los modelos DL supervisados vanilla no son adecuados y en su lugar uno debería optar por modelos generativos más interpretables.
¿Cuándo puede el aprendizaje profundo ser una herramienta inadecuada para una empresa?
Related Content
¿Cuáles son las principales aplicaciones de aprendizaje profundo en centros de datos?
¿Cómo aprendiste Machine Lerning?
¿Debo aprender Blockchain (Ethereum) o aprendizaje automático este verano?
Ayer.
More Interesting
¿Por qué usamos convolución en redes neuronales?
¿Es el enlace neuronal una tecnología que podría funcionar?
Cómo comenzar a aprender lenguaje máquina a partir de tutoriales
¿Qué método aparte del análisis de sentimientos puedo usar para obtener el puntaje de una oración?
¿Cuál es el mejor lenguaje de programación para un bootcamp de aprendizaje automático?
¿Cuál es la diferencia entre la anotación automática de imágenes y la recuperación de imágenes?