Комментарии 3
Не очень понял, как последующее содержание статьи бьётся с перечнем этапов в начале, но да ладно.
Потом приступаем к этапу пилотирования, он займет три-четыре месяца – мы должны построить базовую модель и понять, применимо ли к ней машинной обучение
Расскажите, пожалуйста, пару случаев, когда ответ был отрицательным. Или про это рассказывают куски о проблемах с качеством данных?
+1
Случаи были такие
— Данные есть в исторической выборке, но в момент принятия решения они еще не готовы в системах, и в бою модель не работает
-Модель должна эмулировать действия человека, а он порой противоречит сам себе, и нельзя формализовать ожидания от модели
-Планируемый эффект от модели за годы, ниже затрат на внедренение (тут нужно еще смотреть на косвенные эффекты, вроде автоматизации и понимания того, что происходит, однако если есть выбор, выбирают более прибыльные инциативы)
— Данные есть в исторической выборке, но в момент принятия решения они еще не готовы в системах, и в бою модель не работает
-Модель должна эмулировать действия человека, а он порой противоречит сам себе, и нельзя формализовать ожидания от модели
-Планируемый эффект от модели за годы, ниже затрат на внедренение (тут нужно еще смотреть на косвенные эффекты, вроде автоматизации и понимания того, что происходит, однако если есть выбор, выбирают более прибыльные инциативы)
+2
Спасибо, интересно.
Не первую статью уже вижу, что ML стремится в производство.
Пару мыслей своих выскажу об этом, потому что работал на производстве.
Помню еще, что есть на производстве такая вещь как «АСУТП». У нее задача обеспечивать тех процесс: опрос датчиков, управление эл приводами, регуляторы температуры, давления и тд. Все работает правильно, как написано производителем оборудования, с учетом тех требований и тд.
Теперь появляется ML, она тоже собирает показания с датчиков пусть, но не знает что это за датчики, зачем они вообще нужны, физику процесса не понимает, потому что естественно (неожиданно для Chief Digital Transformation Officer, Chief Datа Officer и прочего пром топ-менеджмента) интеллекта там никакого нет.
Просто ищет корреляции между данными, и на основе выборки (и искусственных эвристик, которые натолкали чтобы хоть как то на правду похоже было)), статистики по сути, выдает суждение (но решение сама естественно не принимает), правильно?
А технологи чем занимаются на производстве, неужели технологи, с многолетним опытом, хуже сделают предложение, чем на коленке написанный питоновский скрипт?
В общем, может я неправ конечно, но пока видится как — на волне хайпа прокатится по ушам, продать слона и тд.
Не первую статью уже вижу, что ML стремится в производство.
Пару мыслей своих выскажу об этом, потому что работал на производстве.
Помню еще, что есть на производстве такая вещь как «АСУТП». У нее задача обеспечивать тех процесс: опрос датчиков, управление эл приводами, регуляторы температуры, давления и тд. Все работает правильно, как написано производителем оборудования, с учетом тех требований и тд.
Теперь появляется ML, она тоже собирает показания с датчиков пусть, но не знает что это за датчики, зачем они вообще нужны, физику процесса не понимает, потому что естественно (неожиданно для Chief Digital Transformation Officer, Chief Datа Officer и прочего пром топ-менеджмента) интеллекта там никакого нет.
Просто ищет корреляции между данными, и на основе выборки (и искусственных эвристик, которые натолкали чтобы хоть как то на правду похоже было)), статистики по сути, выдает суждение (но решение сама естественно не принимает), правильно?
А технологи чем занимаются на производстве, неужели технологи, с многолетним опытом, хуже сделают предложение, чем на коленке написанный питоновский скрипт?
В общем, может я неправ конечно, но пока видится как — на волне хайпа прокатится по ушам, продать слона и тд.
+2
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Этапы внедрения моделей машинного обучения на крупных предприятиях