Maskininlärning är säkert ett av de ord som nämns oftast numera av dem som arbetar med it. Men en del projekt med maskininlärning misslyckas så klart. Företag slösar bort pengar, lider av dåliga prestanda och resultaten av körningarna blir dåliga

Varför är det så här?

Här listar Infoworld de tre vanligaste orsakerna till att maskininlärning misslyckas:

1. Inte tillräckligt med data
Det finns olika sorters maskininlärning. Men även om data inte alltid behöver tillhandahållas till en lösning, så behövs data till de flesta. För det mesta handlar det om att låta lösningarna tugga sig igenom enorma datamängder.

Om det saknas data till en sådan lösning så blir det inte mycket inlärning gjord. Och det behövs data från början i ett projekt.

Tänk dig ett system baserat på maskininlärning som förutspår risken för att en patient ska dö under sin vistelse på ett sjukhus. Utan tillräckligt med data, kanske 100 000 datapunkter, så finns risken att förutsägelsen blir antingen noll procent eller 100 procent.

Läs också: Det här är AI och så funkar det

2. Använder maskinlärning där det inte passar
Det här misstaget är vanligt. I väldigt många fall tillhandahåller inte maskininlärning några fördelar. Det finns kanske inte så stor anledning att köra maskininlärning i ett ekonomisystem.

3. Förstår inte att prestanda påverkar
Maskininlärning kan innebära fördelar i vissa typer av applikationer. Men i många fall påverkas prestanda i applikationer negativt. Risken finns att grundfunktionerna blir segare att använda.

En inbyggd tjänst för maskininlärning kan medföra fördröjningar på flera sekunder, vilket kan vara katastrofalt. Då realiseras inte det värde som maskinlärning egentligen tillför.

ANNONS: Storsatsande eventet IBM Analytics University kommer till Stockholm 17-20 september 2018