Ghidul de afaceri pentru învățarea mașinii

De la procesarea limbajului natural (NLP) până la învățarea profundă și nu numai, învățarea automată (ML) a intrat în multe aspecte ale celor mai populare tehnologii de afaceri. ML este doar un factor în revoluția inteligenței artificiale (AI), dar este unul important. Algoritmii ML sunt un strat vital de inteligență care este copt în produsele pe care le folosim și îl vom vedea doar în viitor în mai multe cazuri de utilizare.

Algoritmii ML sunt încorporați în țesătura mare parte a tehnologiei pe care o folosim în fiecare zi. Inovațiile ML care vizează computerul, învățarea profundă, NLP și nu numai, fac parte dintr-o revoluție mai mare în jurul AI-ului practic. Nu sunt roboți autonomi sau ființe simțitoare, ci un tip de informații integrate în aplicațiile, software-ul și serviciile noastre cloud care combină algoritmi AI și Big Data sub suprafață.

Tendința este și mai accentuată în afaceri. ML nu mai este utilizat exclusiv pentru proiecte de cercetare de specialitate întreprinse de o echipă de oameni de știință de date. Întreprinderile folosesc acum ML pentru a obține informații de afaceri acționabile (BI) și analize predictive din cantități din ce în ce mai mari de date. De aceea, este mai important ca niciodată să nu știi doar ce este ML, ci și să înveți cele mai eficiente strategii despre cum să-l folosești pentru o valoare tangibilă.

Ted Dunning, doctor, este Arhitectul principal de aplicații la MapR, care oferă distribuții Big Data și instrumente de gestionare a datelor pentru întreprinderi și, de asemenea, a fost co-autor de două cărți despre ceea ce el se referă la „Practical Machine Learning”. Veteranul Silicon Valley a lucrat în domeniu zeci de ani, urmărind tehnicile AI și spațiul evoluând până la punctul în care progresele în calculul cognitiv și disponibilitatea instrumentelor open-source au adus cu adevărat ML în mainstream. Dunning a vorbit cu PCMag pentru a discuta despre jargon, pentru a explica ce înseamnă de fapt ML și pentru a oferi câteva înțelepciuni și bune practici cu privire la modul în care întreprinderile pot profita la maximum de investițiile lor în ML.

O definiție practică

Definiția dreaptă a ML oferă sistemelor capacitatea de a acționa și de a învăța și efectua iterativ ajustări, fără nicio programare explicită. Dunning a spus că ML este o ramură a statisticilor, dar o ramură care este foarte practică. El a subliniat că, într-un context de afaceri real, trebuie să fii pragmatic și realist cu modul în care îl aplici. Sarcina principală a ML este de a crea un proces de afaceri care poate fi repetat, fiabil și executabil.

„Învățarea automată nu înseamnă să privim înapoi datele științifice și să încercăm să decidem ce concluzii sunt viabile”, a spus Dunning. "Este vorba de a privi cu nerăbdare și de a ne întreba ce putem prezice despre viitor și ce se va întâmpla în diferite scenarii. Când vine vorba de a face afaceri cu aceste date, vorbim despre situații foarte limitate în care doriți replicabilitate."

Credit imagine: Todd Jaquith la Futurism.com. Faceți clic pentru a extinde infografia completă.

Învățare profundă vs. învățare ieftină

Puteți descompune această idee de bază într-o serie de domenii diferite în cadrul ML, dar Dunning a indicat două, în special, la fiecare capăt al spectrului: învățare profundă și ceea ce el numește „învățare ieftină”. Învățarea profundă este conceptul mai complicat.

"Am dorit ca învățarea mașină să se aprofundeze. Aceasta este originea termenului", a spus Dunning. "În ultimii 10 sau 15 ani, s-au dezvoltat tehnici care de fapt o fac. Au fost necesare pentru a solicita o mulțime de lucrări de inginerie pentru a face relațiile în datele vizibile pentru algoritmi, care, de mult timp, nu au fost la fel de isteți ca noi voiai să fie acestea. A trebuit să predai algoritmii aceste date palatabile pe o placă, așa că obișnuiam să codăm manual toate aceste funcții pe care sistemele le fac acum singure."

Învățarea profundă este aceea în care se află o mare parte din inovația din jurul rețelelor neuronale. Acesta combină tehnici sofisticate, cum ar fi viziunea computerului și NLP, în straturi de învățare „mai profundă” care au dus la pași uriași în domenii precum recunoașterea imaginilor și a textului. Acest lucru este excelent pentru modelarea complexă, dar poate fi excesiv pentru utilizări de afaceri mai simple, de zi cu zi, care se pot baza pe cadre și tehnici ML stabilite cu parametri mult mai puțini.

Învățarea ieftină, a explicat Dunning, înseamnă tehnici simple, eficiente, încercate, în care firmele nu trebuie să investească resurse costisitoare pentru a reinventa roata.

"În calcul, vorbim mult despre fructele cu pătrundere redusă. Disponibilitatea datelor și creșterea masivă a capacității de calcul înseamnă că am coborât întreg arborele", a explicat el. "Învățarea simplă a mașinii nu mai este doar pentru oamenii de știință de date."

Cum funcționează învățarea ieftină?

Algoritmii ML de bază pot identifica corelațiile și pot face recomandări sau pot face experiențe mai contextuale și personalizate. Dunning a spus că există o oportunitate în aproape toate aspectele modului în care interacționăm cu computerele pentru ca acestea să folosească învățarea ieftină pentru a face lucrurile să funcționeze mai bine.

Un exemplu de învățare ieftină în practică este în detectarea fraudei. Băncile și comercianții se confruntă cu o fraudă răspândită, dar este adesea dispersată și se referă la valori suficient de scăzute pe care nu le raportează. Dunning a explicat că folosind un algoritm de învățare ieftin (adică un test ML existent programat pentru această sarcină specifică), comercianții pot identifica mai ușor punctele comune de compromis care pun utilizatorii în pericol și prind modele de fraudă care altfel nu ar fi vizibil.

"Să presupunem că doriți să găsiți care sunt comercianții care scurg date care duc la fraudă. Puteți utiliza un test G ² pentru a găsi pur și simplu care sunt comercianții excesivi în istoriile de tranzacții ale victimelor fraudei față de consumatori fără fraudă", a spus Dunning. a spus. "Acest lucru pare prea simplu pentru a fi numit învățare automată, dar găsește băieți răi în viața reală. Extensiile acestei tehnici pot fi folosite pentru a mări tehnici ceva mai avansate, permițând algoritmilor de învățare mai simpli să reușească acolo unde ar putea eșua altfel."

Învățarea ieftină poate fi folosită în tot felul de moduri diferite, așa că Dunning a dat un alt exemplu despre modul în care o afacere online o poate utiliza. În acest caz, el a explicat cum un algoritm ML existent poate rezolva o simplă problemă de clasare a comentariilor.

"Să presupunem că aveți un articol cu ​​o serie de comentarii. În ce ordine ar trebui să fie plasate? Cât despre cum să comandați comentariile în funcție de cât de interesanți cred că sunt? Puteți număra de câte ori oamenii citesc comentariul și cum de multe ori au trecut-o, dar mai este nevoie de un pic de magie ", a spus Dunning.

"Un vot de la un cititor probabil nu este de fapt mai bun decât opt ​​note din 10 cititori", a explicat el. "Și mai rău, dacă puneți câștigători timpurii, celelalte comentarii nu văd niciodată lumina zilei și, astfel, nu veți afla niciodată despre ele. Un pic de învățare automată numit Thompson sampling poate rezolva acest lucru într-un mod care adună date despre noile comentarii. și unde clasamentele sunt incerte, dar, în general, le comandă într-un mod care să ofere utilizatorilor cea mai bună experiență ".

Dunning a prezentat, de asemenea, un set de cele mai bune practici pentru modul în care afacerea dvs. poate profita din plin de ML. Pentru o analiză a modului în care logistica, datele și un arsenal de algoritmi și instrumente diferite fac parte dintr-o strategie de afaceri de succes, consultați povestea noastră de 7 sfaturi pentru învățare automată.

2018 și dincolo: Unde este acum ML

Poate că acest lucru nu este o surpriză pentru tine, dar Big Data și spațiul bazei de date asociate crește rapid, pentru a spune cel mai puțin. În cadrul conferinței BigData SV 2018 de la San Jose, Peter Burris, Chief Research Officer al firmei de analiză tehnologică Wikibon Research, a prezentat constatări care indică faptul că veniturile din industria globală Big Data sunt estimate de la 35 de miliarde de dolari în 2017 la 42 de miliarde de dolari în 2018. Pe în plus, Burris prognozează că veniturile vor ajunge la 103 miliarde de dolari până în anul 2027.

Pentru a gestiona în mod eficient toate aceste date, soluțiile inteligente ML vor deveni și mai necesare decât acum. Este evident că ML va continua să fie un subiect fierbinte pentru viitorul previzibil. Când am vorbit ultima dată cu MapR’s Dunning în urmă cu un an, el a subliniat adoptarea unei abordări calculate și realiste a ML pentru afaceri. Dar un an este mult timp când vorbești despre tehnologie. Ne-am prins recent de Dunning și, potrivit lui, lucrurile au rămas cam la fel de la ultima noastră discuție. "La acel nivel superior, nu s-au schimbat foarte multe", a spus Dunning. "Ideea de bază a raționării din dovezi, cu siguranță, nu este o veste în ultimul an, dar unele dintre instrumente s-au schimbat."

În acest sens, Dunning a mai spus că există mai mulți jucători pe teren decât în ​​urmă cu doar un an, dar acest fapt nu este neapărat un lucru bun. "Un lucru care s-a întâmplat este apariția din ce în ce mai mulți vânzători care vorbesc despre învățământul" magic ", pentru a pune un cuvânt urât", a explicat el. "Există o concepție greșită mare că puteți arunca doar datele dvs. într-un produs și puteți obține câteva informații frumoase din acesta."

• De ce învățarea prin mașină este viitorul De ce învățarea automată este viitorul
• Comet.ml vrea să se schimbe modul în care interacționăm cu învățarea prin mașină Comet.ml vrea să se modifice cum interacționăm cu învățarea automată
• Google simplifică învățarea automată cu SQL Google simplifică învățarea mașinii cu SQL

Așteptarea unui rezultat magic din partea ML poate fi „insuficientă”, potrivit Dunning. "Încă trebuie să te gândești la ce problemă contează de fapt. Încă trebuie să aduni date și tot trebuie să gestionezi desfășurarea sistemului", a spus el. „Și aceste realități pragmatice, logistice, domină încă problema”.

Dunning are probleme cu o parte din marketingul înalt oferit de unele companii de software. „Niciuna dintre lucrurile magice ale AI nu se adresează chiar asta”, a spus el. El are un sfat pentru întreprinderi să ia în considerare. Potrivit acestuia, o modalitate de a asigura bunele practici este angajarea unui analist de afaceri specific AI, astfel încât să poți avea pe cineva din compania ta să identifice aspecte ale afacerii tale care pot fi îmbunătățite folosind tehnologia ML.

"În unele cazuri, aceasta ar putea fi o extindere a afacerii dvs. la noi oportunități", a explicat Dunning. Cu toate acestea, în majoritatea cazurilor, el a subliniat că angajarea cuiva pentru a înțelege nevoile organizației dvs. și a utiliza aceste informații pentru a vă ghida strategia de ML este crucială.