在没有商业计划的情况下，冲动地使用机器学习有哪些危险?

关键的外卖

不计划你的项目和使用有偏见或不完整的训练数据是机器学习项目中可能导致糟糕结果的两个危险。

当人们使用机器学习如果在计划上没有投入足够的时间，毫无疑问，结果会很差。

遇到这种情况的项目经理和其他涉众很可能会看到算法缺乏准确性，或者机器学习程序提供的“坏智能”。这可能会导致各种各样的问题，并且在试图实现业务目标和期望的结果时，可能会将信息的口译人员推向错误的方向。

不同类型的机器学习偏差会使机器学习程序产生糟糕的见解，肮脏的数据会导致人们做出糟糕的商业决策。当这种情况发生时，领导者必须处理投资于结果不佳的机器学习项目的沉没成本。(阅读:启动机器学习项目的4个误区.）

当问题真正是由弱算法、有偏差的数据、糟糕的数据质量引起时，他们可能倾向于指责计算机或人工智能(AI)。(阅读:高质量数据:为什么多样性对人工智能培训至关重要。）然后还有一个问题过度拟合而欠拟合会导致以下两种结果之一——要么结果太窄而无用，要么结果太广而无用。这是专家们在讨论机器学习中的拟合和维度时经常讨论的问题。

太快投资ML项目的公司可能会看到糟糕的结果。开发实现机器学习模型的需求应该是一个迭代的过程，在这个过程中，涉众首先要定义机器学习将如何支持一个商业目标。一旦选择了机器学习模型，重要的是要在持续的基础上进行调整。由于所有这些原因，对ML项目进行适当的范围工作和定位是一个好主意。

• 阶段1:制定ML如何支持特定业务目标的计划。
• 第二阶段:寻找可以帮助您快速构建原型的商用现货(COTS) ML服务。
• 第三阶段:在模拟(沙箱)环境中测试ML原型，以确保结果符合预期。
• 第四阶段:在持续的基础上监测结果，并记下可以用于未来项目的经验教训。