딥 러닝이 기존 방법만큼 효과적이지 않은 전형적인 사례에는 어떤 것이 있나요?

가장 최첨단 기술 분야 중 하나인 딥 러닝은 종종 기술 발전의 핵심으로 간주됩니다. 하지만 딥러닝이 기존 방법만큼 효과적이지 않은 경우도 있나요? 이 글은 이 질문에 대한 Zhihu의 고품질 답변을 요약한 것입니다

질문 링크: https://www.zhihu.com/question/451498156

# 답변 1

저자: I' 너무 혼란스럽네요

출처 링크: https://www.zhihu.com/question/451498156/answer/1802577845

해석성이 필요한 분야의 경우 기본 딥러닝은 기존 방법과 비교할 수 없습니다. 저는 지난 몇 년 동안 위험 관리/자금 세탁 방지 제품을 연구해 왔지만 규정에 따라 우리의 결정은 설명 가능해야 합니다. 한때 딥 러닝을 시도했지만 설명 가능 여부를 달성하기 어려웠고 결과도 그다지 좋지 않았습니다. 위험 제어 시나리오의 경우 데이터 정리가 매우 중요합니다. 그렇지 않으면 쓰레기 속에 쓰레기가 될 것입니다.

위 내용을 작성하면서 2년 전에 읽은 기사가 생각났습니다. "ML/AI가 필요하지 않고 SQL이 필요합니다."

//m.sbmmt.com/link / f0e1f0412f36e086dc5f596b84370e86

저자는 나이지리아 최대 전자상거래 웹사이트 중 하나인 Konga에서 근무하는 나이지리아 소프트웨어 엔지니어 Celestine Omin입니다. 우리 모두는 정밀 마케팅과 기존 사용자를 위한 개인화된 추천이 AI에서 가장 일반적으로 사용되는 영역 중 하나라는 것을 알고 있습니다. 다른 사람들이 추천을 하기 위해 딥러닝을 사용할 때 그의 방법은 매우 간단해 보입니다. 그는 방금 데이터베이스를 뒤져 3개월 동안 로그인하지 않은 모든 사용자를 선별하고 쿠폰을 푸시했습니다. 또한 사용자의 장바구니에 있는 상품 목록을 살펴보고 이러한 인기 상품을 기반으로 관련 상품을 추천하기로 결정했습니다.

그 결과, 그의 간단한 SQL 기반 개인화 추천을 통해 대부분의 마케팅 이메일의 오픈율은 7~10% 사이이며, 잘만 수행하면 오픈율은 업계 최고 수준인 25~30%에 가깝습니다. 평균 오픈율은 3배입니다.

물론 이 예시가 추천 알고리즘이 쓸모없다고 모두가 SQL을 사용해야 한다고 말하는 것은 아니지만, 딥러닝을 적용할 때 비용, 적용 시나리오 등의 제약 조건을 고려해야 한다는 의미입니다. 이전 답변(알고리즘 엔지니어의 구현 능력이란 정확히 무엇을 의미하나요?)에서 알고리즘을 구현할 때 실질적인 제약 사항을 고려해야 한다고 언급했습니다.

//m.sbmmt.com/link/f0e1f0412f36e086dc5f596b84370e86

나이지리아의 전자상거래 환경은 아직 매우 낙후되어 있고 물류가 따라잡을 수 없습니다. 효과를 향상시키기 위해 딥러닝 방식을 사용한다고 해도 실제로 회사 전체 이익에는 큰 영향을 미치지 않습니다.

따라서 구현 시 알고리즘을 '현지 조건에 맞게 조정'해야 합니다. 그렇지 않으면 '비누통을 부는 선풍기' 상황이 다시 발생하게 됩니다.

한 대기업이 비누 포장 생산 라인을 도입했는데, 이 생산 라인에 결함이 있다는 것을 발견했습니다. 비누가 없는 상자가 종종 있었습니다. 빈 상자를 고객에게 판매할 수 없었기 때문에 빈 비누 상자를 분류하는 계획을 설계하기 위해 자동화를 연구하는 박사후 연구원을 고용해야 했습니다.
박사후 연구원은 12명 이상의 과학 연구팀을 구성하고 기계, 마이크로 전자공학, 자동화, X선 검출 및 기타 기술을 조합하여 900,000위안을 지출하여 문제를 성공적으로 해결했습니다. 빈 비누 상자가 생산 라인을 통과할 때마다 양쪽의 감지기가 이를 감지하고 로봇을 구동하여 빈 비누 상자를 밀어냅니다.
같은 생산 라인을 구매한 중국 남부의 한 향 기업이 있습니다. 이 문제를 알게 된 사장은 매우 화가 나서 작은 일꾼을 찾아 "이 일을 마무리해 주시거나, 아니면 기어가셔도 됩니다."라고 말했습니다. 그는 재빠르게 방법을 찾아내고 190위안을 들여 생산라인 옆에 고출력 선풍기를 설치하고 세게 불어 빈 비누통을 모두 날려버렸다.

(농담이지만)

딥러닝은 망치이지만, 세상의 모든 것이 못은 아닙니다.

# 답변 2

저자: Mo Xiao Fourier

출처 링크: https://www.zhihu.com/question/451498156/answer/1802730183

두 가지 일반적인 시나리오가 더 있습니다.

1. 설명성을 추구하는 시나리오.

딥 러닝은 분류 및 회귀 문제를 해결하는 데 매우 뛰어나지만 결과에 영향을 미치는 것이 무엇인지에 대한 설명이 매우 약합니다. 실제 비즈니스 시나리오에서 다음 시나리오와 같이 해석 가능성 요구 사항이 매우 높다면, 배움은 종종 뒤집힌다.

2. 스케줄링, 계획, 할당 문제 등 다양한 운영 최적화 시나리오

이러한 문제는 지도 학습 형식으로 잘 변환되지 않는 경우가 많으므로 최적화 알고리즘이 자주 사용됩니다. 현재 연구에서는 더 나은 솔루션을 위해 딥러닝 알고리즘을 솔루션 프로세스에 통합하는 경우가 많지만 일반적으로 모델 자체는 아직 딥러닝을 중추로 삼지는 않습니다.

딥 러닝은 매우 좋은 솔루션 아이디어이지만 구현하더라도 여전히 큰 문제가 있습니다. 딥러닝이 최적화 알고리즘에 통합되면 솔루션의 구성 요소로 여전히 유용하게 사용될 수 있습니다. ㅋㅋㅋ

애플리케이션의 대기 시간 요구 사항은 높지만 정확도에 대한 요구 사항은 높지 않습니다. 이 경우 간단한 모델이 될 수 있습니다.

표 형식 데이터와 같은 일부 데이터 유형은 딥 러닝 모델 대신 트리 기반 모델과 같은 통계 학습 모델을 사용하는 데 더 적합할 수 있습니다.

응용 시나리오에 따라 데이터 수집의 난이도가 결정됩니다. 딥러닝을 사용할 때 과적합의 위험이 있습니다

1. 실제 응용 프로그램은 모두 수요에 기반을 두고 있습니다. 수요(정확도, 지연, 컴퓨팅 전력 소비)와 상관없이 성능을 논하는 것은 비과학적입니다. 문제의 '건식 번역'이 특정 지표에 국한되면 논의 범위가 좁아질 수 있습니다.
원본 링크: https://mp.weixin.qq.com/s/tO2OD772qCntNytwqPjUsA

위 내용은 딥 러닝이 기존 방법만큼 효과적이지 않은 전형적인 사례에는 어떤 것이 있나요?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!