AI-United » Allgemein » Warum will niemand Ihr neuronales Netzwerk?

Warum will niemand Ihr neuronales Netzwerk?

Warum will niemand Ihr neuronales Netzwerk?

Haben Sie sich schon irgendwann einmal Gedanken gemacht, warum niemand ein Modell des maschinellen Lernens oder ein statistisches Modell will? Man will weniger Geld durch Forderungsausfälle verlieren oder mehr Kunden. Vielleicht will man weniger Geld verschwenden, um Leute  für langweilige Arbeit zu bezahlen. Man akzeptiert Ihr Modell, wenn eines der oben genannten Dinge geschieht, aber dies bedeutet noch nicht, dass man dies wirklich will.

Stellen Sie sich eine Produktion vor, in der Stromkabel hergestellt werden. Es handelt sich um Bündel von (in der Regel) Kupferdrähten, die mit Isoliermaterial überzogen sind und meistens mit einer zweiten Schicht Schutzmaterial über der Isolierung überzogen sind. Da diese Kabel ziemlich schwer und schwer zu bewegen sind, ist es eine Qual, herauszufinden, wie sie transportiert und gelagert werden sollen. Es ist eine Qual, sie zu installieren und vor Schaden zu bewahren: Sie mögen weder die Sonne noch das Wasser; sie mögen keine Insekten, was eigentlich sehr schade ist, da sie oft genau dort gelagert werden, wo Wasser und Insekten gefunden werden können. Niemand will also diese Kabel.

Die Arbeiter wollen diese Kabel nicht – sie wollen bloß, dass ihre Arbeitsausrüstung einwandfrei funktioniert, ihre Produktion über eine zuverlässige Stromversorgung verfügt und die Lichter im Brandfall brennen, so dass sie den Raum rechtzeitig verlassen können. Für alle diese Menschen sind die Kabel nutzlos, bis das Problem gelöst ist.

Stromkabel sind greifbar, leicht zu verstehen und haben einen hohen Schrottwert. Keine davon gehört zu datenwissenschaftlichen Produkten, und die Käufer wollen sie immer noch nicht.

Möchten dann Ihre Kunden Ihr Produkt oder nicht? Zweifellos möchten sie, dass Sie alle Hindernisse aus ihrem Leben überwinden und es Ihnen erleichtern, Zeit im Familien- und Freundeskreis angenehm zu verbringen. Selbstverständlich hat niemand eine Mausefalle gern – alle hassen es, Mäusekot im Schrank, wo Lebensmittel aufbewahrt werden, zu finden. Überlegen Sie nun, wie dies Ihr neuronales Netzwerk für sie machen kann?

Dies kann im Fall enges Zusammenhangs zwischen Ihrem Modell und den wirklichen Zielen gemacht werden. Wenn beispielsweise Ihr neuronales Netz die Methode zur Identifizierung zukünftiger Schuldner verbessert, kann dies dazu führen, dass ein Kreditgeber weniger Geld verliert. Darüber hinaus kann es Probleme viel schneller und genauer als Menschen erkennen oder Unfälle vorhersagen, bevor sie passieren, wodurch die Sicherheit verbessert werden kann.

Das Problem besteht darin, dass keines dieser Dinge anhand einer schon existierenden Bewertungsmethode richtig gemessen werden kann. Selbst wenn Sie genau wissen, dass eine Verbesserung bei AUC oder RMSE vorhanden ist, können Sie noch nicht sicher sein, dass wirklich mehr schlechte Schuldner gefunden werden.

Deshalb muss der wahre Wert in der Datenwissenschaft zwischen dem Punkt, wenn das Modell stoppt und das Problem des Kunden beginnt, auftreten. Ein schlechtes Modell kann zu guten Ergebnissen führen, wenn Sie es mit Geschick einsetzen, und ein ausgezeichnetes Modell kann fehlschlagen, wenn Sie dies nicht machen.

Viel wichtiger als die Fähigkeit, mit der es verwendet wird, ist der Entscheidungsfaktor, wie gut das Ziel des Modells dem Ziel des Kunden entspricht. Dieser Faktor ist der entscheidende Faktor, mehr als die Genauigkeit, mit der der Algorithmus gute Ergebnisse ermittelt. Der entscheidende Moment für Datenwissenschaftler besteht darin, dass Sie für jede Minute, wenn Sie neue Algorithmen erlernen, eine Stunde mit der Untersuchung des Problems Ihrer Kunden verbringen sollten.

Möchten Sie mehr darüber erfahren, warum niemand Ihr neuronales Netzwerk verwenden will, so können Sie sich an das Team von AI-United.de per Mail oder Q&A wenden.

Quelle

AI-United-Redaktion

Kommentar hinzufügen

Your email address will not be published. Required fields are marked *

300-101   400-101   300-320   300-070   300-206   200-310   300-135   300-208   810-403   400-050   640-916   642-997   300-209   400-201   200-355   352-001   642-999   350-080   MB2-712   400-051   C2150-606   1Z0-434   1Z0-146   C2090-919   C9560-655   642-64   100-101   CQE   CSSLP   200-125   210-060   210-065   210-260   220-801   220-802   220-901   220-902   2V0-620   2V0-621   2V0-621D   300-075   300-115   AWS-SYSOPS   640-692   640-911   1Z0-144   1z0-434   1Z0-803   1Z0-804   000-089   000-105   70-246   70-270   70-346   70-347   70-410