学习取舍三难
ML Transparency (可解释) Trilemma
三个元素
1
可解释性
可解释性
2
数据需求
数据需求
3
部署复杂度
部署复杂度
详细描述
学习取舍三难强调“约束搬家”：你想让可解释性更好，成本/复杂度/风险就可能被转移到数据需求或部署复杂度上。把它写进方案说明，能避免事后才发现代价藏在哪。一旦外部冲击增强，三角的代价会呈非线性上升。
三种情况说明
可解释性无法满足时
选择数据需求+部署复杂度时，可解释性最容易在高峰期“爆雷”。建议提前设红线与回退策略，并用灰度/隔离/限流等手段把风险切成小块。把“最坏情况”写进设计文档，会省掉大量返工。
数据需求无法满足时
牺牲数据需求并非失败策略：很多成熟系统会故意把数据需求做成“可开关”的能力，在不同场景间切换，换取整体可用性。如果没有监控与报警，牺牲会变成隐性债务。
部署复杂度无法满足时
优先可解释性与数据需求时，部署复杂度通常会被降级为“够用即可”。常见做法是降低目标阈值、缩小适用范围、或把部署复杂度变成事后补偿项。代价往往体现在边缘场景与高压力时刻。把“最坏情况”写进设计文档，会省掉大量返工。
评论区 (0)
暂无评论