Random Forest > Neural Network? W niektórych branżach to standard
Jeśli odnosisz wrażenie, że już w AI nie stosuje się nic poza transformerami, które dumnie zawojowały rynek, to nie ma w tym nic dziwnego. Internet robi świetną robotę w sprzedawaniu wizji, w której bez deep learningu nie ma sensownego machine learningu. Ba, nie ma już żadnej aplikacji, która nie jest „AI-powered” i wmawia nam się, że wszędzie potrzeba PRZYNAJMNIEJ małej sieci neuronowej.
Tylko że… biznesowo nie dla wszystkich firm to tak wygląda.
W bankach, ubezpieczeniach, energetyce czy medycynie decyzje o milionach (czasem miliardach) złotych są podejmowane przez modele, które spokojnie zmieściłyby się w jednym pliku i lepszym komputerze — bez GPU, bez fine-tuningu, bez fajerwerków. I nie, to nie dlatego, że „tam są zacofani”, „nie mają umiejętności” czy „brak im rozwiązań technicznych”. To dlatego, że te modele po prostu działają dla ich problemów.
Kluczowe metryki w biznesie: To nie tylko Accuracy
Pamiętajmy jednak, że metryka oceny ich działania tutaj jest nieco inna. W wielu zastosowaniach biznesowych nie chodzi wyłącznie o maksymalizację metryk takich jak accuracy czy RMSE. Równie istotne — a często ważniejsze — są poniższe aspekty:
- Zrozumienie, jak model podejmuje decyzje.
- Możliwość ich uzasadnienia.
- Pełna kontrola nad zachowaniem modelu.
Wyobraźmy sobie, że do banku przychodzi klient i pyta, czemu nie dostał kredytu. Czy możemy odpowiedzieć „bo nasz algorytm, którego nie jesteśmy w stanie dokładnie wytłumaczyć jak działa, tak zdecydował”? Obawiam się, że mała ilość klientów byłaby zachwycona taką argumentacją, szczególnie w tak ważnym aspekcie jak zdolność kredytowa.
Złożoność modelu przestaje być zaletą, jeśli utrudnia interpretację, wdrożenie albo utrzymanie. W praktyce oznacza to, że model powinien być nie tylko skuteczny, ale też przewidywalny, stabilny i „czytelny” dla ludzi — zarówno dla zespołu technicznego, jak i dla osób biznesowych czy regulatorów. Bo tak, niektóre branże zgodnie z regulacjami muszą się z używanych modeli solidnie tłumaczyć.
Dlaczego sieci neuronowe przegrywają na starcie?
W takich warunkach sieć neuronowa często przegrywa, zanim jeszcze zacznie trenowanie. Bankowość, ubezpieczenia, medycyna czy energetyka to środowiska, w których model nie jest tylko narzędziem do predykcji — jest częścią systemu decyzyjnego, który podlega regulacjom, audytom i realnej odpowiedzialności. Tu nie chodzi wyłącznie o to, czy wynik jest poprawny — chodzi o to, czy można go obronić.
I nagle pojawia się to bardzo konkretne pytanie o powód decyzji, na które trzeba odpowiedzieć jasno, precyzyjnie i bez „bo tak”. Odpowiedź musi być zrozumiała nie tylko dla data scientista, ale też dla klienta, audytora czy regulatora.
Modele takie jak regresja logistyczna czy drzewo decyzyjne pozwalają takiej odpowiedzi udzielić:
- Można w nich wskazać konkretne zmienne, ich wpływ i kierunek działania.
- Można wykazać, że określone cechy zwiększyły ryzyko, inne je obniżyły, a ostateczna decyzja wynika z ich kombinacji.
- Tę logikę da się prześledzić krok po kroku i powtórzyć w identyczny sposób dla każdego przypadku.
Więc tak, dzięki nim można dokładnie powiedzieć klientowi, dlaczego nie ma dla niego oferty kredytowej.
Problem „nieprzetłumaczalności” i wymogi regulatorów
W przypadku sieci neuronowej sytuacja wygląda inaczej — nawet jeśli model osiąga bardzo dobre wyniki, jego decyzje nie są tak łatwe do przełożenia na prosty, zrozumiały język. A w wielu przypadkach taka „nieprzetłumaczalność” staje się realnym problemem. W systemach regulowanych nie wystarczy, że model działa — trzeba jeszcze wykazać, dlaczego działa właśnie tak.
Regulator nie interesuje się tym, czy model jest nowoczesny albo czy wykorzystuje najnowsze podejścia. Interesuje go, czy decyzja jest uzasadniona, czy proces jest transparentny i czy można go poddać kontroli. Jeśli odpowiedź na te pytania nie jest jednoznaczna, model — niezależnie od swojej skuteczności — staje się ryzykowny.
Dlatego w praktyce bardzo często wygrywa nie model najbardziej zaawansowany, ale ten, który oferuje najlepszy kompromis między jakością a zrozumiałością. Taki, który nie tylko daje dobre wyniki, ale też pozwala zrozumieć, skąd te wyniki się biorą i co się stanie, jeśli zmienią się dane. I to jest moment, w którym klasyczny machine learning przestaje wyglądać jak „stara technologia”, a zaczyna być najbardziej racjonalnym wyborem — i długo nim będzie.
Stabilność w produkcji i zderzenie z realnymi danymi
Jest jeszcze kwestia stabilności, o której rzadziej się mówi, bo nie brzmi tak spektakularnie jak kolejna wysoka metryka. Deep learning potrafi być imponujący, ale bywa też kapryśny — niewielka zmiana w danych, inny seed, lekko zmodyfikowany pipeline i nagle model zachowuje się inaczej. W środowisku badawczym to jest do przełknięcia, ale w produkcji już niekoniecznie.
Klasyczne modele są pod tym względem znacznie bardziej przewidywalne. Łatwiej je debugować, łatwiej zrozumieć, skąd bierze się konkretna decyzja i co się stanie, jeśli zmienimy dane wejściowe. A co najważniejsze — łatwiej utrzymać je w czasie. W systemach produkcyjnych to ogromna zaleta, bo nikt nie chce modelu, który „czasem działa genialnie”, ale nie da się przewidzieć, kiedy przestanie.
Do tego dochodzi kluczowy aspekt: dane. To moment, w którym teoria zderza się z rzeczywistością. Deep learning najlepiej działa tam, gdzie ma do dyspozycji ogromne zbiory danych pozwalające nauczyć się złożonych reprezentacji. Problem w tym, że w wielu realnych zastosowaniach takich danych po prostu nie ma.
Zamiast milionów obserwacji mamy kilkanaście tysięcy rekordów i kilkadziesiąt zmiennych, czyli klasyczne „tabular data”, gdzie dane są częściowo brakujące, niesymetryczne, a czasem zaszumione. W takich warunkach klasyczny machine learning radzi sobie zaskakująco dobrze, bo opiera się na strukturze danych. Sieci neuronowe w tym scenariuszu często nie mają nawet z czego „wyciągnąć” sensownej reprezentacji. Zamiast uczyć się rzeczywistych zależności, zaczynają dopasowywać się do szumu. Efekt bywa taki, że bardziej złożony model daje gorszy albo niestabilny wynik — i to mimo większego wysiłku obliczeniowego. Wracamy do prostszego rozwiązania nie dlatego, że jest łatwiejsze, tylko dlatego, że jest adekwatne do problemu.
Gdzie Deep Learning jest niezastąpiony?
Żeby było jasne — deep learning nie jest zbędny. Wręcz przeciwnie, jest absolutnie kluczowy tam, gdzie pracujemy na danych nieustrukturyzowanych. W obszarach takich jak:
- Natural language processing (NLP),
- Computer vision,
- Analiza dźwięku,
sieci neuronowe są bezkonkurencyjne.
Warto jednak pamiętać, że ogromna popularność deep learningu to w dużej mierze efekt hype’u. Spektakularne wyniki, duże modele i medialne zastosowania naturalnie przyciągają uwagę. Problem pojawia się wtedy, gdy hype zaczyna zastępować chłodną ocenę, czy dane podejście faktycznie pasuje do konkretnego problemu. Bo nie każdy problem wymaga najcięższego możliwego rozwiązania. Próby używania deep learningu wszędzie — również tam, gdzie klasyczne metody są wystarczające albo wręcz lepsze — sprawiają, że złożoność modelu nie przekłada się na realną wartość, a jedynie zwiększa koszt, ryzyko i trudność utrzymania całego systemu.
Biznesowy bilans zysków i strat
W wielu realnych zastosowaniach bardziej złożony model nie poprawia accuracy w sposób istotny. Różnice, które na papierze wyglądają dobrze, w praktyce okazują się marginalne albo niestabilne. Zamiast realnej poprawy jakości dostajemy zmianę w sposobie wykorzystania zasobów — większy koszt obliczeniowy, bardziej skomplikowany pipeline i trudniejsze utrzymanie całego systemu.
Dochodzi do tego oczywiście cenny czas osób tworzących model. Pamiętajmy, że im bardziej rozbudowany system, tym więcej miejsc, w których coś może się zepsuć:
- Pojawiają się zależności, które trzeba kontrolować.
- Wydłużają się czasy trenowania.
- Wdrożenia stają się bardziej złożone.
- Rosną wymagania infrastrukturalne.
- Każda zmiana w danych czy procesie wymaga więcej pracy, a debugowanie przestaje być oczywiste.
Z punktu widzenia biznesu to często oznacza jedno: nie warto. Dodatkowa złożoność nie przekłada się na proporcjonalną wartość, a ryzyko i koszt rosną szybciej niż potencjalny zysk. I wtedy decyzja jest bardzo pragmatyczna — zostajemy przy prostszym modelu, który działa, jest stabilny i daje się łatwo wytłumaczyć. W długim okresie to właśnie takie rozwiązania najczęściej wygrywają, bo są nie tylko skuteczne, ale też możliwe do utrzymania i rozwijania. I tak jeszcze długo zostanie.
