Verslo vadovas apie mašinų mokymąsi

Nuo natūralaus kalbos apdorojimo (NLP) iki giluminio mokymosi ir už jo ribų, mašininis mokymasis (ML) pateko į daugelį populiariausių verslo technologijų aspektų. ML yra tik vienas dirbtinio intelekto (AI) revoliucijos veiksnys, tačiau jis yra svarbus. ML algoritmai yra gyvybiškai svarbus intelekto sluoksnis, įterpiamas į mūsų naudojamus produktus, ir ateityje jį matysime tik besinaudojantį daugiau naudojimo atvejų.

ML algoritmai yra integruoti į daugelį technologijos, kurią mes naudojame kiekvieną dieną. ML naujovės, apimančios kompiuterio matymą, gilų mokymąsi, NLP ir kitas, yra didesnės revoliucijos aplink praktinę AI dalis. Jie nėra savarankiški robotai ar jautrios būtybės, bet tam tikros rūšies intelektas, integruotas į mūsų programas, programinę įrangą ir debesies paslaugas, sujungiantis AI algoritmus ir „Big Data“.

Versle ši tendencija dar ryškesnė. ML ne tik naudojamas specializuotiems tyrimų projektams, kuriuos vykdo duomenų mokslininkų komanda. Dabar įmonės naudojasi ML norėdamos įgyti vis svarbesnių verslo duomenų (BI) ir numatomosios analizės iš vis didėjančio duomenų kiekio. Štai kodėl svarbiau nei bet kada anksčiau ne tik žinoti, kas yra ML, bet ir išmokti veiksmingiausių strategijų, kaip jį panaudoti apčiuopiamai vertei.

Tedas Duningas, PhD, yra vyriausiasis „Architektūros departamento“ aplikacijos architektas, teikiantis „Big Data“ paskirstymą ir duomenų valdymo įrankius įmonėms. Jis taip pat yra dviejų knygų apie tai, ką jis vadina „praktiniu mašinų mokymu“, bendraautorius. Silicio slėnio veteranas dešimtmečius dirbo lauke, stebėdamas AI techniką ir erdvę, kur pažanga pažintinio skaičiavimo srityje ir atvirojo kodo įrankių prieinamumas išties privertė ML įprasminti. Dunningas kalbėjo su PCMag, norėdamas peržvelgti žargoną, paaiškinti, ką ML iš tikrųjų reiškia, ir pateikti tam tikros išminties bei geriausios praktikos pavyzdžių, kaip verslas gali maksimaliai išnaudoti savo ML investicijas.

Praktinis apibrėžimas

Tiesus ML apibrėžimas suteikia sistemoms galimybę veikti ir kartoti mokymąsi bei koregavimus be jokio aiškaus programavimo. Duningas teigė, kad ML yra statistikos šaka, tačiau labai praktiška. Jis pabrėžė, kad realiame verslo kontekste turite būti praktiškas ir realistiškas, kaip tai pritaikysite. Pagrindinis ML uždavinys yra sukurti pakartojamą, patikimą ir vykdomą verslo procesą.

„Mašinų mokymasis nėra tas, kad reikia atsigręžti į mokslinius duomenis ir bandyti nuspręsti, kokios išvados yra pagrįstos“, - teigė Duningas. "Tai yra žvilgsnis į ateitį ir klausimas, ką galime numatyti ateityje ir kas nutiks įvairiais atvejais. Kai reikia verslą tvarkyti su šiais duomenimis, mes kalbame apie labai ribotas situacijas, kuriose norisi pakartoti."

Vaizdo kreditas: Toddas Jaquithas svetainėje Futurism.com. Spustelėkite, kad išplėstumėte visą infografiką.

Gilus mokymasis palyginti su pigiu mokymusi

Galite suskaidyti šią pagrindinę mintį į daugybę skirtingų sričių ML srityje, tačiau Duningas ypač atkreipė dėmesį į dvi iš abiejų spektro galų: gilųjį mokymąsi ir tai, ką jis vadina „pigiu mokymu“. Gilus mokymasis yra sudėtingesnė sąvoka.

"Mes norėjome, kad mašinų mokymasis būtų gilesnis. Tai yra šio termino kilmė", - teigė Duningas. "Per pastaruosius 10 ar 15 metų buvo sukurti metodai, kurie iš tikrųjų tai daro. Anksčiau reikėjo daug inžinerinio darbo, kad duomenų ryšiai būtų matomi algoritmams, kurie ilgą laiką nebuvo tokie protingi, kaip mes. Jūs norėjote algoritmus pateikti šiuos malonius duomenis ant plokštelės, todėl mes panaudojome visų šių funkcijų, kurias sistemos dabar naudoja savarankiškai, kodavimą rankomis."

Giluminis mokymasis slypi daugumoje neuronų tinklų. Tai sujungia sudėtingesnius metodus, tokius kaip kompiuterinis matymas ir NLP, į „gilesnio“ mokymosi sluoksnius, kurie atvedė į didžiulius žingsnius tokiose srityse kaip vaizdo ir teksto atpažinimas. Tai puikiai tinka sudėtingam modeliavimui, tačiau gali būti pernelyg sudėtingas paprastesniems, kasdieniams verslo tikslams, kurie gali pasikliauti nustatytomis ML sistemomis ir technikomis, turinčiomis daug mažiau parametrų.

Pigus mokymasis, aiškino Dunningas, reiškia paprastus, veiksmingus, patikrintus metodus, kai verslui nereikia investuoti brangių išteklių, kad išrastų ratą.

"Kompiuterijoje daug kalbame apie žemai kabančius vaisius. Duomenų prieinamumas ir didelis skaičiavimo pajėgumų padidėjimas reiškia, kad mes nuleidome visą medį", - aiškino jis. "Paprastas mašininis mokymasis skirtas ne tik duomenų mokslininkams."

Kaip veikia pigus mokymasis?

Pagrindiniai ML algoritmai gali nustatyti koreliacijas ir pateikti rekomendacijas arba padaryti patirtį kontekstualesnę ir personalizuotesnę. Duningas teigė, kad beveik kiekviename mūsų bendravimo su kompiuteriais aspekte yra galimybė panaudoti pigų mokymąsi, kad viskas paprasčiau veiktų.

Vienas iš pigaus mokymosi praktikoje pavyzdžių yra sukčiavimo aptikimas. Bankai ir prekybininkai susiduria su plačiai paplitusiu sukčiavimu, tačiau apie tai dažnai nepaisoma ir apie pakankamai mažas vertybes apie tai nepranešama. Duningas paaiškino, kad naudodamiesi pigaus mokymosi algoritmu (tai yra, egzistuojančiu ML testu, užprogramuotu šiai konkrečiai užduočiai), prekybininkai gali lengviau nustatyti bendrus kompromiso taškus, keliančius pavojų vartotojams, ir sugauti sukčiavimo modelius, kurių kitaip nebūtų. matomas.

"Tarkime, kad norite sužinoti, kurie prekybininkai išleidžia duomenis, kurie lemia sukčiavimą. Galite naudoti G ² testą, kad paprasčiausiai rastumėte, kurie prekybininkai yra per daug atstovaujami sukčiavimo aukoms, palyginti su vartotojais be sukčiavimo." sakė. "Tai atrodo per daug paprasta, kad būtų galima pavadinti mašininiu mokymu, tačiau realiame gyvenime jis nustato blogus vyrukus. Šios technikos plėtiniai gali būti naudojami norint patobulinti šiek tiek tobulesnes technikas, leidžiančias paprastesniems mokymosi algoritmams sėkmingai veikti ten, kur kitaip gali nepavykti."

Pigų mokymąsi galima naudoti įvairiais būdais, todėl Dunningas pateikė dar vieną pavyzdį, kaip internetinis verslas gali juo naudotis. Šiuo atveju jis paaiškino, kaip esamas ML algoritmas gali išspręsti paprastą komentarų reitingo problemą.

"Tarkime, kad turite straipsnį su daugybe komentarų apie jį. Kokia tvarka jie turėtų būti pateikiami? O kaip užsisakyti komentarus atsižvelgiant į tai, kokie įdomūs žmonės mano? Galite suskaičiuoti, kiek kartų žmonės skaito komentarą ir kaip daugybę kartų jie tam pritarė, bet vis tiek reikia šiek tiek magijos “, - teigė Duningas.

„Turbūt vienas skaitytojo balsų padidinimas iš tikrųjų nėra geresnis nei aštuoni balsavimo balsai iš 10 skaitytojų“, - aiškino jis. "Dar blogiau, jei jūs įtraukiate ankstyvuosius laimėtojus, kiti komentarai niekada nemato dienos šviesos ir todėl niekada apie juos nesimokote. Truputis mašininio mokymosi, vadinamo" Thompson "atranka, gali tai išspręsti tokiu būdu, kad būtų renkami duomenys apie naujus komentarus. o kai reitingai yra neaiškūs, bet paprastai juos užsako taip, kad vartotojams būtų teikiama geriausia patirtis. “

Dunningas taip pat pateikė geriausios praktikos pavyzdžių, kaip jūsų verslas gali išnaudoti visas ML galimybes. Norėdami suskaidyti, kaip logistika, duomenys ir įvairių algoritmų bei įrankių arsenalas paverčia sėkmingą verslo strategiją, skaitykite mūsų 7 patarimus, kaip mašinų mokymosi sėkmės istoriją.

2018 ir vėliau: Kur dabar yra ML

Galbūt tai nieko nestebina, tačiau švelniai tariant, didžiųjų duomenų ir susijusios duomenų bazės erdvė greitai auga. Per „BigData SV 2018“ konferenciją San Chosėje Peteris Burrisas, technologijų analitikų firmos „Wikibon Research“ vyriausiasis tyrimų vadovas, pristatė išvadas, kuriose nurodoma, kad pajamos iš pasaulinės „Big Data“ pramonės turėtų išaugti nuo 35 milijardų dolerių 2017 m. Iki 42 milijardų dolerių 2018 m. Be to, Burris prognozuoja, kad pajamos iki 2027 m. pasieks 103 milijardus dolerių.

Norint efektyviai tvarkyti visus šiuos duomenis, išmanieji ML sprendimai taps dar labiau reikalingi nei jie yra dabar. Akivaizdu, kad artimiausioje ateityje ML ir toliau bus aktuali tema. Kai prieš metus paskutinį kartą kalbėjomės su „MapR's Dunning“, jis pabrėžė apskaičiuoto ir tikroviško požiūrio į ML verslą. Tačiau metai yra ilgas laikas, kai jūs kalbate apie tech. Neseniai susitaikėme su Dunningu ir, pasak jo, nuo paskutiniojo mūsų pokalbio viskas liko maždaug tokia pati. „Tuo aukštesniu lygiu nepasikeitė daug kas“, - teigė Duningas. "Pagrindinė idėja pagrįsti įrodymus tikrai nėra naujiena per pastaruosius metus, tačiau kai kurie įrankiai pasikeitė."

Turėdamas tai omenyje, Dunningas taip pat teigė, kad aikštėje yra daugiau žaidėjų, nei buvo tik prieš metus, tačiau tai nebūtinai yra geras dalykas. „Vienas dalykas, kuris atsitiko, atsirado vis daugiau pardavėjų, kurie kalba apie„ stebuklingą “mašininį mokymąsi, kad apie tai pasakytų nemalonų žodį“, - aiškino jis. "Yra didelis klaidingas požiūris, kad galite tiesiog įmesti savo duomenis į produktą ir iš to gauti gražių įžvalgų."

• Kodėl mašinų mokymasis yra ateitis Kodėl mašinų mokymasis yra ateitis
• Comet.ml nori pakeisti mūsų sąveiką su kompiuteriniu mokymu Comet.ml nori pakeisti mūsų sąveiką su kompiuteriniu mokymu
• „Google“ supaprastina mašinų mokymąsi naudojant SQL „Google“ supaprastina mašinų mokymąsi naudojant SQL

Pasak Dunningo, laukti stebuklingo rezultato iš ML gali būti „pribloškiantis“. "Jūs vis dar turite galvoti apie tai, kokia problema iš tikrųjų yra svarbi. Jūs vis tiek turite rinkti duomenis ir vis tiek turite valdyti savo sistemos diegimą", - sakė jis. "Ir šios praktinės, logistinės realybės vis dar dominuoja problemoje".

Dunningas kelia klausimą dėl kai kurių programinės įrangos kompanijų siūlomos prabangios rinkodaros. „Nei viena stebuklinga AI rūšis net to nenagrinėja“, - sakė jis. Jis turi keletą patarimų įmonėms, į kuriuos reikia atsižvelgti. Anot jo, vienas iš būdų užtikrinti gerą praktiką yra pasamdyti konkretų AI verslo analitiką, kad būtų galima, jei kas nors jūsų įmonėje nurodytų jūsų verslo aspektus, kuriuos galima patobulinti naudojant ML technologiją.

„Kai kuriais atvejais tai gali būti jūsų verslo išplėtimas į naujas galimybes“, - aiškino Duningas. Tačiau daugeliu atvejų jis pabrėžė, kad labai svarbu pasamdyti žmogų, kad jis suprastų jūsų organizacijos poreikius ir pasinaudotų šia informacija vadovaudamasis jūsų ML strategija.