作為目前最前沿的科技領域之一,深度學習通常被認為是推動科技進步的關鍵。然而,是否存在一些深度學習的效果不如傳統方法的案例?本文彙整了一些來自知乎的高品質回答,以解答這個問題
#問題連結:https://www.zhihu.com/question/451498156
作者:桔了個仔
來源連結:https://www.zhihu.com/question /451498156/answer/1802577845
對於解釋性有要求的領域,基本深度學習是沒法和傳統方法比的。我這幾年都在做風控/反洗錢的產品,但監管要求我們的決策要可解釋性,而我們曾經嘗試深度學習,解釋性很難搞,而且,效果也不咋地。對於風控場景,資料清洗是非常重要的事,否則只會是garbage in garge out。
在寫上面內容時,我想起前兩年看的一篇文章:《你不需要ML/AI,你需要SQL》
##//m.sbmmt.com/link/f0e1f0412f36e086dc5f596b84370e86
#作者是奈及利亞的軟體工程師Celestine Omin,在奈及利亞最大的電商網站之一Konga工作。我們都知道,對老用戶精準行銷和個人化推薦,都是AI最常用的領域之一。當別人在用深度學習搞推薦時,他的方法顯得異常簡單。他只是跑了一遍資料庫,篩選出所有3個月沒有登入的用戶,給他們推優惠券。也跑了一次用戶購物車的商品清單,根據這些熱門商品,決定推薦什麼相關聯的商品。
結果,他這種簡單的而基於SQL的個人化推薦,大多數行銷郵件的開啟率在7-10%之間,做得好時開啟率接近25 -30%,是業界平均開啟率的三倍。
當然,這個例子不是告訴大家,推薦演算法沒用,大家都應該用SQL,而是說,深度學習應用時,需要考慮成本,應用場景等限制因素。我在之前的回答裡(演算法工程師的落地能力具體指的是什麼?),說到過演算法落地時需要考慮實際限制因素。
//m.sbmmt.com/link/f0e1f0412f36e086dc5f596b84370e86
而奈及利亞的電商環境,依然出於非常落後的狀態,物流也跟不上。即使使用深度學習方法,提升了效果,實際上對公司整體利潤並不會有太大影響。
所以,演算法落地時必須「因地制宜」否則,又會出現「電風扇吹香皂盒」的情況。
某大企業引進了一條香皂包裝生產線,結果發現這條生產線有個缺陷:常常會有盒子裡沒裝入香皂。總不能把空盒子賣給顧客啊,他們只好請了一個學自動化的博士後設計一個方案來分類空的香皂盒。 博士後拉起了一個十幾人的科學研究攻關小組,綜合採用了機械、微電子、自動化、X射線探測等技術,花了90萬,成功解決了問題。每當生產線上有空香皂盒通過,兩旁的探測器就會偵測到,並且驅動一隻機械手把空皂盒推走。
中國南方有個鄉鎮企業也買了同樣的生產線,老闆發現這個問題後大為發火,找了個小工來說“你他媽給老子把這個搞定,不然你給老子爬走。”小工很快就想出了辦法他花了190塊錢在生產線旁放了一台大功率電風扇猛吹,於是空皂盒都被吹走了。
(雖然只是個段子)
#深度學習是錘子,而世間萬物不都是釘子。
#有兩個比較常見的場景:
1.追求可解釋性的場景。
深度學習非常善於解決分類和回歸問題,但對於什麼影響了結果的解釋很弱,如果實際業務場景中,對於解釋性要求很高,諸如以下場景,那麼深度學習往往被幹翻。
2. 許多運籌最佳化場景
#諸如調度,規劃,分配問題,往往這類問題無法很好的轉換為監督學習格式,因此常採用最佳化演算法。在現在研究中,在求解過程中往往融合深度學習演算法更好地求解,但整體而言,模型本身還不是深度學習為主幹。
深度學習是一個非常好的求解思路,但不是唯一,甚至在落地時依舊問題很大。若將深度學習融合於最佳化演算法,作為求解的一個部件,依舊有很大的用武之地。
總之,
作者:LinT
來源連結:https://www.zhihu.com/question/451498156/answer/1802516688
這個問題要分場景看。深度學習固然免去了特徵工程的麻煩,但是在一些場景下應該很難應用:
##真實的應用都是從需求出發的,拋開需求(精確度、延遲、算力消耗)談表現是不科學的。如果把問題中的『幹翻』限定到某個指標上,可能討論範圍可以縮小一些。
原文連結:https://mp.weixin.qq.com/s/tO2OD772qCntNytwqPjUsA以上是有哪些深度學習效果不如傳統方法的經典案例?的詳細內容。更多資訊請關注PHP中文網其他相關文章!