Akademisyenler ve endüstri profesyonelleri, makine öğrenimi ve derin öğrenme modelleri oluşturmak için farklı yaklaşımlar benimser. Çoğu zaman biri fayda odaklıyken diğer kar ve maliyet odaklı davranır. İşte iki kaynak arasındaki yedi fark;
1) Doğruluk Yaklaşımı: Akademik bir araştırma yapıldığında maliyetten bağımsız olarak doğruluğu ya da başka bir parametreyi araştırmaya, kısacası savunduğunuz tezi doğrulamaya odaklanırsınız. Araştırmaların sonunda %95 doğruluğa sahip bir uygulama ile %96 doğruluğa sahip bir uygulama arasında büyük farklar olmayabilir . Yapılan araştırmaların doğruluğu endüstride, özellikle de kullanıcılar arasında büyük bir kar farkına sebep olmayacaksa genellikle kullanımı tercih edilmez. Çünkü kuruluşlar yeni araştırma ile ortaya çıkan yüzde 1 eklemenin maliyetini göz önünde bulundurarak hareket ederler.
2) Eğitim ve Hizmet Sunma: Akademik araştırma süresince birçok kez örnek model oluşturmak ve bunu test etmek zorunda kalmazsınız. Üretimde ise araştırma sonucunda ortaya çıkan sonuçları test etmek ve araştırmanın kontrolünü ispat etmeniz gerekir.
3) Mühendislik Vurgusu: Ticari sistemlerde araştırmaları genişletmek için mühendislik faktörü çok önemlidir. Araştırmadaki veri bilimcisinin rolü mühendislerin bilgisi ile birleşerek nihai sonuca ulaşılır.
4) Büyük Modellerin Hayata Geçme Zorluğu: Üretilecek modellerin büyüklüğü son kullanıcıya hitap etmek için genellikler sınırlandırılır. Modeller oluştururken cihazların tüketicilerin alamayacakları boyutta olması, yavaş çalışması ve eğitim masrafı gibi konular göz önünde bulundurularak üretilmesi gereklidir. Araştırma çalışmalarında ise genellikle modelin boyutunu ön planda tutmak yerine, nasıl çözüm ürettiğine odaklanırsınız.
5) Sınırları Çizmek: Sınırları çizmek hem araştırmada hem de uygulamada oldukça önemlidir. Sınırları belirlerken hangi faktörler üzerinde ilerlemeniz gereklidir ve bunu nasıl ölçersiniz? Algoritmanızın sınırlarının gelişimini nasıl gösterirsiniz?
6) Karmaşık Verileri Anlamak: Gizlilik, ön yargı ve açıklanabilirlik dahil tüm verileri anlamlandırmak ve anlamak model oluştururken işinizi kolaylaştıracaktır.
7) Derin Öğrenmeye Çok Erken Odaklanmak: Derin öğrenme modellerini uygulamak genellikle pahalıdır ve açıklaması zordur. Derin öğrenme modelleri çoğu zaman üretimde gerçekten fayda sağlıyor ve yüksek performans sergiliyor ise kullanımı doğrudur. Gerçek dünyadaki yani üretim bandındaki sorunların çoğunun derin öğrenmeye ihtiyacı bile olmayabilir. Derin öğrenme verilere ihtiyaç duyar ve veri toplamak için önce kullanıcı deneyimlerine ihtiyacınız olabilir. Örneğin; Catch-22'yi önlemek için sisteminizi eğitmek üzere kullanıcı verilerini toplamak amacıyla derin öğrenme modelini kullanmadan ürününüzü oluşturmak isteyebilirsiniz.