17. Kapan Tidak Menggunakan ML

Problem bisa diselesaikan dengan rule sederhana: Jika if price > 1000 { category = .premium } sudah cukup, tidak perlu ML.
Dataset terlalu kecil: < 1000 sample untuk classification task → model tidak bisa belajar pattern yang robust.
Interpretabilitas kritis: Sistem yang harus bisa menjelaskan keputusannya secara hukum (kredit, asuransi) — model black-box tidak tepat tanpa explainability layer.
Prototype / MVP: Habiskan waktu validasi problem dulu, tambahkan ML setelah product-market fit.
Feature sudah ada di Apple frameworks: Jangan buat sendiri face detector padahal VNDetectFaceRectanglesRequest sudah ada.
Tim tidak punya pipeline evaluasi: ML tanpa cara mengukur performa dan regresi adalah resiko production.
Inference terlalu lambat untuk UX requirement: Animasi real-time butuh < 16ms per frame — beberapa model ML tidak bisa memenuhi ini.