Quels sont les cas classiques où le deep learning n'est pas aussi efficace que les méthodes traditionnelles ?

En tant que l’un des domaines technologiques les plus avant-gardistes, le deep learning est souvent considéré comme la clé du progrès technologique. Cependant, existe-t-il des cas où l’apprentissage profond n’est pas aussi efficace que les méthodes traditionnelles ? Cet article résume quelques réponses de haute qualité de Zhihu pour répondre à cette question

Lien de la question : https://www.zhihu.com/question/451498156

# Réponse 1

Auteur : I' Je suis tellement confus

Lien source : https://www.zhihu.com/question/451498156/answer/1802577845

Pour les domaines qui nécessitent une interprétabilité, l'apprentissage profond de base est incomparable avec les méthodes traditionnelles. Je travaille depuis quelques années sur des produits de contrôle des risques et de lutte contre le blanchiment d'argent, mais la réglementation exige que nos décisions soient explicables. Nous avons essayé le deep learning, mais l'explicabilité est difficile à atteindre et les résultats ne sont pas très bons. Pour les scénarios de contrôle des risques, le nettoyage des données est très important, sinon ce ne seront que des déchets.

En écrivant le contenu ci-dessus, je me suis souvenu d'un article que j'ai lu il y a deux ans : "Vous n'avez pas besoin de ML/AI, vous avez besoin de SQL"

//m.sbmmt.com/link / f0e1f0412f36e086dc5f596b84370e86

L'auteur est Celestine Omin, une ingénieure logicielle nigériane qui travaille chez Konga, l'un des plus grands sites de commerce électronique au Nigeria. Nous savons tous que le marketing de précision et les recommandations personnalisées destinées aux anciens utilisateurs sont l’un des domaines de l’IA les plus couramment utilisés. Lorsque d’autres utilisent le deep learning pour formuler des recommandations, sa méthode semble extrêmement simple. Il a simplement parcouru la base de données, éliminé tous les utilisateurs qui ne s'étaient pas connectés depuis trois mois et leur a envoyé des coupons. Il a également parcouru la liste des produits dans le panier de l'utilisateur et a décidé de recommander des produits connexes basés sur ces produits populaires.

En conséquence, grâce à ses simples recommandations personnalisées basées sur SQL, le taux d'ouverture de la plupart des e-mails marketing se situe entre 7 et 10 %. Lorsqu'il est bien fait, le taux d'ouverture est proche de 25 à 30 %, ce qui est l'industrie. taux d’ouverture moyen trois fois supérieur.

Bien sûr, cet exemple ne vise pas à dire à tout le monde que l'algorithme de recommandation est inutile et que tout le monde devrait utiliser SQL, mais cela signifie que lors de l'application du deep learning, vous devez prendre en compte des contraintes telles que le coût et les scénarios d'application. Dans ma réponse précédente (À quoi fait exactement référence la capacité de mise en œuvre d'un ingénieur en algorithmes ?), j'ai mentionné que des contraintes pratiques doivent être prises en compte lors de la mise en œuvre d'algorithmes.

//m.sbmmt.com/link/f0e1f0412f36e086dc5f596b84370e86

L'environnement du commerce électronique au Nigeria est encore très arriéré et la logistique ne peut pas suivre le rythme. Même si la méthode d'apprentissage en profondeur est utilisée pour améliorer l'effet, elle n'aura en réalité pas beaucoup d'impact sur les bénéfices globaux de l'entreprise.

Par conséquent, l'algorithme doit être « adapté aux conditions locales » lors de sa mise en œuvre, sinon la situation du « ventilateur électrique faisant souffler la boîte à savon » se reproduira.

Une grande entreprise a introduit une ligne de production d'emballages de savon, mais a constaté que cette ligne de production avait un défaut : il y avait souvent des boîtes sans savon. Ils ne pouvaient pas vendre de boîtes vides aux clients, ils ont donc dû embaucher un postdoctorant qui a étudié l'automatisation pour concevoir un plan de tri des boîtes à savon vides.
Le boursier postdoctoral a organisé une équipe de recherche scientifique de plus d'une douzaine de personnes et a utilisé une combinaison de machines, de microélectronique, d'automatisation, de détection de rayons X et d'autres technologies, dépensant 900 000 yuans pour réussir à résoudre le problème. Chaque fois qu'une boîte à savon vide traverse la chaîne de production, des détecteurs des deux côtés la détectent et conduisent un robot pour repousser la boîte à savon vide.
Il y a une entreprise municipale dans le sud de la Chine qui a également acheté la même ligne de production. Lorsque le patron a découvert ce problème, il s'est mis très en colère et a trouvé un petit ouvrier et lui a dit : « Vous pouvez finir ça pour moi, ou vous pouvez ramper. " Le petit ouvrier Il a rapidement trouvé un moyen et a dépensé 190 yuans pour placer un ventilateur électrique de haute puissance à côté de la ligne de production et le souffler fort, de sorte que toutes les boîtes à savon vides soient emportées.

(Bien que ce ne soit qu'une blague)

Le deep learning est un marteau, mais tout dans le monde n'est pas un clou.

# Réponse 2

Auteur : Mo Xiao Fourier

Lien source : https://www.zhihu.com/question/451498156/answer/1802730183

Il existe deux scénarios plus courants :

1. Des scénarios qui recherchent l'explicabilité.

L'apprentissage profond est très efficace pour résoudre les problèmes de classification et de régression, mais l'explication de ce qui affecte les résultats est très faible. Si dans les scénarios commerciaux réels, les exigences d'interprétabilité sont très élevées, comme dans les scénarios suivants, alors approfondi. l'apprentissage est souvent bouleversé.

2. De nombreux scénarios d'optimisation opérationnelle

tels que des problèmes d'ordonnancement, de planification et d'allocation Souvent, ces problèmes ne peuvent pas être bien transformés en formats d'apprentissage supervisé, c'est pourquoi des algorithmes d'optimisation sont souvent utilisés. Dans les recherches actuelles, les algorithmes d’apprentissage profond sont souvent intégrés au processus de résolution pour obtenir de meilleures solutions, mais en général, le modèle lui-même ne constitue pas encore l’apprentissage profond comme épine dorsale.

Le deep learning est une très bonne idée de solution, mais ce n'est pas la seule. Même une fois mis en œuvre, de gros problèmes subsistent. Si le deep learning est intégré à l’algorithme d’optimisation, en tant que composant de la solution, il a encore beaucoup d’utilité.

En bref,

# Réponse trois

Auteur : LinT

Lien source : https://www.zhihu.com/question/451498156/answer/1802516688

Cette question doit être Regardez les scènes. Bien que l'apprentissage profond élimine les problèmes liés à l'ingénierie des fonctionnalités, il peut être difficile à appliquer dans certains scénarios :

1. Les applications ont des exigences élevées en matière de latence mais des exigences moins élevées en matière de précision. Dans ce cas, un modèle simple peut être meilleur. choix ;
2. Certains types de données, tels que les données tabulaires, peuvent être plus appropriés pour utiliser des modèles d'apprentissage statistique tels que des modèles arborescents au lieu de modèles d'apprentissage en profondeur
3. Les décisions de modèle ont un impact significatif, comme la sécurité ; connexe, économique La prise de décision est liée et nécessite que le modèle soit interprétable, donc les modèles linéaires ou les modèles arborescents sont de meilleurs choix que l'apprentissage en profondeur
4. Le scénario d'application détermine la difficulté de la collecte de données, et il y a un risque ; de surajustement lors de l'utilisation du deep learning

Les applications réelles sont toutes basées sur la demande. Il n'est pas scientifique de parler de performances quelle que soit la demande (précision, délai, consommation de puissance de calcul). Si la « traduction sèche » de la question se limite à un certain indicateur, la portée de la discussion peut être restreinte.

Lien original : https://mp.weixin.qq.com/s/tO2OD772qCntNytwqPjUsA

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!