Esta es una pregunta muy vaga que hacer y déjame explicarte por qué.
Desde la perspectiva de las grandes empresas, la dificultad no es la tarea real de Machine Learning, sino más bien tener la base preconstruida para registrar / racionalizar el flujo de datos requerido para completar la tarea de ML. Para algunas empresas, esto significa trabajar hacia atrás y configurar estos sistemas de captura / grabación de datos en primer lugar porque nunca los habían instalado inicialmente.
A continuación, el uso de Machine Learning puede aparecer como una “caja negra”, especialmente con el uso de redes neuronales. Ninguna compañía aceptará aleatoriamente análisis predictivos sobre lo que debería estar haciendo desde un modelo de caja negra en el que el desarrollador no tiene intuición sobre de dónde provienen los resultados. Dicho esto, hay muchos algoritmos / modelos de aprendizaje automático que no son blackbox.
- ¿Qué sucede si todos los ciclos de reloj en el hardware de la computadora estuvieran a la misma velocidad?
- ¿Se utiliza el cálculo en el funcionamiento de la arquitectura de computadoras?
- ¿Por qué no hay soluciones para los problemas NP-Hard?
- Cómo saber si un sistema de aprendizaje automático puede escalar
- ¿Cuál es el hecho detrás del aprendizaje automático?
Además, solo porque se encuentra una solución, si no se explica adecuadamente a los miembros de su empresa, y nadie además de usted entiende por qué funciona o cómo funciona, la empresa no querrá implementarla, por lo que es solo otra gran computación en la nube cuenta.
La ‘utilidad’ del aprendizaje automático realmente proviene de la inteligencia de la persona que construye el modelo y de cómo puede explicar su uso y razonamiento a otros con menos antecedentes técnicos.