Бізнес-посібник з машинного навчання

Від обробки природних мов (НЛП) до глибокого навчання та поза ним, машинне навчання (МЛ) увійшло в багато аспектів найпопулярніших бізнес-технологій. ML - лише один із факторів революції штучного інтелекту (AI), але він є важливим. Алгоритми ML - це життєво важливий рівень інтелекту, який вкладається у продукти, які ми використовуємо, і ми лише побачимо, що він буде переповнюватися на більше випадків використання в майбутньому.

Алгоритми ML вбудовуються в тканину більшості технологій, якими ми користуємося щодня. Інновації в галузі ML, що охоплюють комп'ютерний зір, глибоке навчання, NLP і далі, є частиною більшої революції навколо практичного ІІ. Вони не автономні роботи чи розумні істоти, а тип інтелекту, інтегрований у наші додатки, програмне забезпечення та хмарні сервіси, який поєднує алгоритми AI та Big Data під поверхнею.

Тенденція ще більше виражена в бізнесі. ML більше не використовується виключно для спеціалізованих дослідницьких проектів, які здійснює команда науковців даних. Зараз підприємства використовують МЛ для отримання ділової розвідки (БІ) та прогнозованої аналітики від постійно зростаючого обсягу даних. Ось чому важливіше, ніж будь-коли, не тільки знати, що таке ML, але й вивчити найефективніші стратегії, як їх використовувати для відчутного значення.

Тед Даннінг, доктор філософії, є головним архітектором додатків у MapR, який надає великі розповсюдження даних та інструменти управління даними для підприємств, а також є співавтором двох книг про те, що він називає "Практичне машинне навчання". Ветеран Кремнієвої долини працював у цій галузі десятиліттями, спостерігаючи за технікою ШІ та простором, розвиваючись до того часу, коли прогрес у когнітивних обчисленнях та наявність інструментів з відкритим кодом справді привели ML в мейнстрім. Даннінг говорив з PCMag, щоб прорізати жаргон, пояснити, що насправді означає ML, і донести трохи мудрості та найкращих практик щодо того, як бізнес може максимально використовувати свої інвестиції в ML.

Практичне визначення

Пряме визначення ML дає можливість системам діяти та ітеративно навчатися та вносити корективи, без явного програмування. Даннінг сказав, що ML - галузь статистики, але галузь, яка дуже практична. Він підкреслив, що в контексті реального бізнесу потрібно бути прагматичним та реалістичним щодо того, як ви його застосовуєте. Основним завданням ML є створення бізнес-процесу, який повторюється, надійний та виконується.

"Машинне навчання полягає не в тому, щоб оглядатись назад на наукові дані та намагатися вирішити, які висновки є життєздатними", - сказав Даннінг. "Йдеться про те, щоб чекати вперед і запитати, що ми можемо передбачити щодо майбутнього і що буде в різних сценаріях. Коли справа зводиться до ведення бізнесу з цими даними, ми говоримо про дуже обмежені ситуації, коли потрібно повторювати".

Кредитний імідж: Тодд Жакіт на Futurism.com. Натисніть, щоб розгорнути повну інфографіку.

Поглиблене навчання проти дешевого навчання

Ви можете розбити цю основну ідею на декілька різних областей в ML, але Даннінг вказав на два, зокрема, на будь-якому кінці спектру: глибоке навчання та те, що він називає "дешевим навчанням". Глибоке навчання - це більш складна концепція.

"Ми хотіли, щоб машинне навчання пішло глибше. Це походження терміна", - сказав Даннінг. "За останні 10 чи 15 років були розроблені методи, які насправді роблять це. Раніше вимагали багато інженерних робіт, щоб зробити взаємозв'язки в даних видимими для алгоритмів, які тривалий час не були такими розумними, як ми Ви хотіли, щоб вони були. Вам потрібно було передавати алгоритми цих приємних даних на тарілку, тому ми використовували для ручного кодування всіх цих функцій, які тепер системи роблять самостійно ".

Глибоке навчання - це те, де лежить значна частина нововведень навколо нейронних мереж. Він поєднує в собі складні методи, такі як комп’ютерний зір та НЛП, в шари "глибшого" навчання, що призвели до величезних успіхів у таких сферах, як розпізнавання зображень та тексту. Це відмінно підходить для складного моделювання, але може бути надмірним для простіших, повсякденних бізнес-застосувань, які можуть розраховувати на встановлені рамки та методи ML з набагато меншими параметрами.

Данінг, пояснив Даннінг, означає прості, ефективні, перевірені методи, коли бізнесу не потрібно вкладати дорогі ресурси, щоб винаходити колесо.

"Обчислюючись, ми багато говоримо про низько висячі плоди. Наявність даних та масове збільшення обчислювальної потужності означають, що ми опустили все дерево", - пояснив він. "Просте машинне навчання вже не тільки для науковців даних".

Як працює дешеве навчання?

Основні алгоритми ML можуть визначати кореляції та давати рекомендації, або робити досвід більш контекстуальним та персоналізованим. Даннінг сказав, що існує майже в кожному аспекті того, як ми взаємодіємо з комп'ютерами, щоб вони могли використовувати дешеве навчання, щоб просто зробити так, щоб справи працювали краще.

Одним із прикладів дешевого навчання на практиці є виявлення шахрайства. Банки та торговці мають справу з широко розповсюдженими шахрайствами, але вони часто розповсюджуються і стосуються достатньо низьких цінностей, про які вони не надходять. Даннінг пояснив, що, використовуючи алгоритм дешевого навчання (тобто існуючий тест ML, запрограмований для цієї конкретної задачі), торговці можуть легше визначити загальні точки компромісу, які піддають користувачів ризику та вловлюють шаблони шахрайства, які інакше не були б видно.

"Припустимо, ви хочете знайти, які торговці, здається, витікають дані, що призводять до шахрайства. Ви можете скористатися тестом G ^2, щоб просто знайти, які торговці надмірно представлені в історіях угод жертв шахрайства проти споживачів без шахрайства", Даннінг сказав. "Це здається занадто простим, щоб його можна було назвати машинним навчанням, але він знаходить поганих хлопців у реальному житті. Розширення цієї методики можна використовувати для розширення дещо вдосконалених методів, що дозволяє простішим алгоритмам навчання досягти успіху там, де інакше вони не зможуть".

Дешеве навчання може використовуватися різними способами, тому Даннінг подав ще один приклад того, як інтернет-бізнес може ним користуватися. У цьому випадку він пояснив, як існуючий алгоритм ML може вирішити просту проблему ранжирування коментарів.

"Припустимо, у вас є стаття з кількома коментарями до неї. Який порядок їх слід розміщувати? Як щодо впорядкування коментарів відповідно до того, наскільки цікаві люди думають, що вони є? Ви можете порахувати, скільки разів люди читають коментар та як багато разів вони підкреслюють це, але все-таки потрібно трохи магії ", - сказав Даннінг.

"Один висновок від одного читача, мабуть, насправді не кращий за вісім оновлень з 10 читачів", - пояснив він. "Ще гірше, якщо ви ставите на початку ранніх переможців, інші коментарі ніколи не побачать світла дня, і тому ви ніколи не дізнаєтесь про них. Крихітний шматочок машинного навчання під назвою вибірки Томпсона може вирішити це таким чином, що збирає дані про нові коментарі і де рейтинг невизначений, але він загалом упорядковує їх таким чином, щоб користувачі мали найкращий досвід ".

Даннінг також виклав набір найкращих практик щодо того, як ваш бізнес може максимально використовувати ML. Щоб дізнатись про те, як логістика, дані та арсенал різних алгоритмів та інструментів є чинником успішної бізнес-стратегії, ознайомтеся з нашою історією 7 підказок щодо успішності машинного навчання.

2018 і далі: Де зараз ML

Можливо, це не дивно для вас, але Big Data та пов'язаний з ними простір баз даних швидко зростає. Під час конференції BigData SV 2018 у Сан-Хосе Пітер Берріс, головний науковий співробітник фірми з технічної аналітики фірми Wikibon Research, представив результати, що свідчать про те, що дохід від глобальної індустрії Big Data оцінюється з 35 мільярдів доларів у 2017 році до 42 мільярдів доларів у 2018 році. Крім того, Берріс прогнозує, що до 2027 року прибуток досягне 103 мільярдів доларів.

Щоб ефективно обробити всі ці дані, розумні рішення ML стануть ще більш необхідними, ніж зараз. Очевидно, що ML залишатиметься гарячою темою в осяжному майбутньому. Коли ми востаннє розмовляли з компанією MapR's Dunning рік тому, він наголосив на зваженому, реалістичному підході до ML для бізнесу. Але рік - це довгий час, коли ти говориш про технології. Ми нещодавно наздогнали Даннінга, і, за його словами, з моєї останньої розмови все залишилося приблизно таким же. "На тому вищому рівні мало що змінилося", - сказав Даннінг. "Основна ідея аргументування доказів, безумовно, не є новиною за останній рік, але частина інструментарію змінилася".

Зважаючи на це, Даннінг також сказав, що на полі є більше гравців, ніж було лише рік тому, але цей факт не обов'язково є хорошою справою. "Одне, що сталося, - це поява все більшої кількості продавців, які говорять про" магічне "машинне навчання, щоб сказати про це неприємне слово", - пояснив він. "Існує велике хибне уявлення про те, що ви можете просто кинути свої дані в продукт і отримати гарну інформацію про нього".

• Чому машинне навчання - це майбутнє Чому машинне навчання - це майбутнє
• Comet.ml хоче змінити те, як ми взаємодіємо з машинним навчанням Comet.ml хоче змінити спосіб взаємодії з машинним навчанням
• Google спрощує машинне навчання за допомогою SQL Google спрощує машинне навчання за допомогою SQL

На думку Даннінга, очікувати магічного результату від МЛ можна "підривом". "Ви все ще повинні думати, яка проблема насправді має значення. Ви все ще повинні збирати дані, і вам все одно доведеться керувати розгортанням вашої системи", - сказав він. "І ці прагматичні, логістичні реалії досі переважають проблему".

Даннінг сприймає проблеми з високим маркетингом, який пропонують деякі програмні компанії. "Жоден з магічних штук штучного інтелекту навіть не звертається до цього", - сказав він. Він має поради, які повинні розглянути підприємства. За його словами, один із способів забезпечити належну практику - це найняти конкретного бізнес-аналітика AI, щоб ви могли змусити когось у вашій компанії визначити аспекти вашого бізнесу, які можна вдосконалити за допомогою технології ML.

"У деяких випадках це може бути поширенням вашого бізнесу на нові можливості", - пояснив Даннінг. Однак у більшості випадків він підкреслює, що найняти когось, щоб зрозуміти потреби вашої організації та використовувати цю інформацію для керівництва вашою стратегією ML.