Poslovni vodič za strojno učenje

Od obrade prirodnog jezika (NLP) do dubokog učenja i šire, strojno učenje (ML) je ušlo u brojne aspekte najpopularnijih poslovnih tehnologija. ML je samo jedan čimbenik revolucije umjetne inteligencije (AI), ali je važan. ML algoritmi su vitalni sloj inteligencije koji je ugrađen u proizvode koje koristimo, a vidjet ćemo ih samo kako se slijevaju u više slučajeva upotrebe u budućnosti.

ML algoritmi ugrađeni su u tkivo većine tehnologije koju koristimo svakodnevno. ML inovacije koje obuhvaćaju računalni vid, duboko učenje, NLP i šire dio su veće revolucije oko praktičnog AI-ja. Nisu autonomni roboti ili živa bića, već vrsta inteligencije integrirane u naše aplikacije, softver i usluge oblaka koji kombiniraju AI algoritme i velike podatke ispod površine.

Trend je još izraženiji u poslu. ML se više ne upotrebljava samo za specijalizirane istraživačke projekte koje je proveo tim znanstvenika. Poduzeća sada koriste ML za dobivanje djelotvorne poslovne inteligencije (BI) i prediktivne analitike iz sve veće količine podataka. Zato je važnije nego ikad važnije ne samo znati što je ML, već i naučiti najučinkovitije strategije kako ga koristiti za opipljivu vrijednost.

Ted Dunning, dr. Sc., Glavni je arhitekt aplikacije MapR-a, koji pruža velike distribucije podataka i alate za upravljanje podacima za poduzeća, a također je i autor dvije knjige o onome što naziva "Praktično strojno učenje". Veteran Silicijske doline je desetljećima radio na terenu gledajući AI tehnike i prostor kako bi se razvijao do točke kada su napredak kognitivnog računanja i dostupnost alata otvorenog koda zaista doveli ML u glavni tok. Dunning je razgovarao s PCMagom kako bi presjekao žargon, objasnio što ML zapravo znači i prenio malo mudrosti i najbolje prakse o tome kako tvrtke mogu najbolje iskoristiti svoje investicije u ML.

Praktična definicija

Ravna definicija ML-a daje sustavima mogućnost djelovanja i iterativnog učenja i prilagođavanja, bez ikakvog eksplicitnog programiranja. Dunning je rekao da je ML grana statistike, ali grana koja je vrlo praktična. Naglasio je da, u stvarnom poslovnom kontekstu, trebate biti pragmatični i realni u načinu na koji ga primjenjujete. Temeljna zadaća ML-a je stvoriti ponovljiv, pouzdan i izvršljiv poslovni proces.

"Strojno učenje nije gledanje unatrag na znanstvene podatke i pokušaj odlučivanja koji su zaključci održivi", rekao je Dunning. "Radi se o naprijed i pitanje što možemo predvidjeti o budućnosti i što će se dogoditi u različitim scenarijima. Kada je riječ o poslu s ovim podacima, govorimo o vrlo ograničenim situacijama u kojima želite ponoviti."

Bonus slike: Todd Jaquith na Futurism.com. Kliknite za proširenje cjelovite infografike.

Duboko učenje nasuprot jeftinom učenju

Možete razvrstati tu osnovnu ideju na nekoliko različitih polja unutar ML-a, ali Dunning je ukazao na dva posebno na oba kraja spektra: duboko učenje i ono što naziva "jeftino učenje". Duboko učenje je složeniji koncept.

"Željeli smo strojno učenje ići dublje. To je podrijetlo izraza", rekao je Dunning. "Tijekom posljednjih 10 ili 15 godina razvijene su tehnike koje to zapravo i čine. Prije su bile potrebne mnogo inženjerskog rada da bi se odnosi u podacima učinili vidljivim algoritmima, koji dugo vremena nisu bili tako pametni kao mi želio sam da budu. Morali ste algoritam algoritama predavati ove ukusne podatke na ploči, pa smo koristili da ručno kodiramo sve te značajke koje sustavi sada rade sami."

Duboko učenje je mjesto u kojem se nalazi velik dio inovacije oko neuronskih mreža. Kombinira sofisticirane tehnike poput računalnog vida i NLP u slojeve "dubljeg" učenja koje su dovele do ogromnih napretka u područjima kao što su prepoznavanje slike i teksta. To je sjajno za složeno modeliranje, ali može biti pretjerano za jednostavnije, svakodnevne poslovne namjene koje se mogu osloniti na uspostavljene okvire i tehnike ML s daleko manje parametara.

Jeftino učenje, objasnio je Dunning, znači jednostavne, učinkovite, isprobane tehnike u kojima tvrtke ne trebaju ulagati skupe resurse da bi izmislile kolu.

"U računanju puno govorimo o plodovima koji vise u nizu. Dostupnost podataka i ogromno povećanje računalnih kapaciteta znači da smo spustili cijelo stablo", objasnio je. "Jednostavno strojno učenje više nije samo za znanstvenike podataka."

Kako djeluje jeftino učenje?

Osnovni algoritmi za ML mogu identificirati korelacije i dati preporuke ili učiniti iskustva više kontekstualnim i personaliziranim. Dunning je rekao da u gotovo svakom aspektu kako komuniciramo s računalima postoji prilika kako bi oni iskoristili jeftino učenje kako bi jednostavno poboljšali stvari.

Jedan primjer jeftinog učenja u praksi je otkrivanje prijevara. Banke i trgovci bave se širokom prijevarom, ali ona se često raspršuje i odnosi se na dovoljno niske vrijednosti da ih se ne prijavljuje. Dunning je objasnio da korištenjem algoritma jeftinog učenja (tj. Postojećeg ML testa programiranog za ovaj specifični zadatak) trgovci mogu lakše identificirati uobičajene točke kompromisa koji korisnike dovode u rizik i hvataju obrasce prijevara koji inače ne bi bili vidljivi.

"Pretpostavimo da želite otkriti koji trgovci izgledaju kao da curi podatke koji dovode do prijevara. Pomoću testa G ² možete jednostavno pronaći koji su trgovci prezastupljeni u povijesti transakcija žrtava prijevare u odnosu na potrošače bez prijevara", Dunning rekao je. "Ovo se čini prejednostavnim da bi se moglo nazvati strojno učenje, ali u stvarnom životu pronalazi loše momke. Proširenja ove tehnike mogu se koristiti za proširenje nešto naprednijih tehnika koje omogućuju jednostavnijim algoritmima učenja da uspiju tamo gdje inače ne mogu uspjeti."

Jeftino učenje može se koristiti na sve vrste različitih načina, pa je Dunning dao još jedan primjer kako to mrežno poslovanje može koristiti. U ovom je slučaju objasnio kako postojeći algoritam ML može riješiti jednostavan problem s rangiranjem komentara.

"Pretpostavimo da imate članak s brojnim komentarima na njega. Koji redoslijed bi trebali biti postavljeni? Kako s naručivanjem komentara prema zanimljivosti ljudi misle? Možete prebrojati koliko puta ljudi pročitaju komentar i kako mnogo puta to pobune, ali još uvijek je potrebno malo magije ", rekao je Dunning.

"Jedan prijedlog jednog čitatelja vjerojatno nije bolji od osam izdvajanja od 10 čitatelja", objasnio je. "Još gore, ako na vrh stavite rane pobjednike, ostali komentari nikada ne ugledaju svjetlo dana i na taj način nikad ne saznate o njima. Mali strojnog učenja pod nazivom Thompson uzorkovanje može to riješiti na način da prikuplja podatke o novim komentarima i gdje su ocjene neizvjesne, ali ih se obično naređuje na način koji korisnicima pruža najbolje iskustvo."

Dunning je izložio i niz najboljih praksi kako vaše poslovanje može najbolje iskoristiti ML. Za detalje o tome kako logistika, podaci i arsenal različitih algoritama i alata utječu na uspješnu poslovnu strategiju, pogledajte naše 7 savjeta za priču o uspjehu strojnog učenja.

2018. i dalje: Gdje je ML sada

Možda vas to ne iznenađuje, ali najmanje se povećava Big Data i pridruženi prostor baze podataka. Tijekom konferencije BigData SV 2018 u San Joseu, Peter Burris, glavni istraživački direktor tehnološke analitičke tvrtke Wikibon Research, predstavio je nalaze koji ukazuju na to da se procjenjuje da će prihod od globalne industrije velikih podataka narasti sa 35 milijardi dolara u 2017. na 42 milijarde dolara u 2018. godini. Povrh toga, Burris predviđa da će do 2027. godine prihod doseći 103 milijarde dolara.

Da bi učinkovito obradili sve ove podatke, pametna ML rješenja postat će još potrebnija nego što su sada slučaj. Očito je da će ML i dalje biti vruća tema u doglednoj budućnosti. Kad smo posljednji put razgovarali s MapR-ovim Dunningom prije godinu dana, naglasio je uzimajući proračunski, realan pristup ML-u za posao. Ali godina je duga kada govorite o tehnici. Nedavno smo shvatili Dunninga i, prema njegovim riječima, stvari su ostale približno iste od našeg posljednjeg razgovora. "Na toj višoj razini nije se mnogo toga promijenilo", rekao je Dunning. "Osnovna ideja obrazloženja iz dokaza zasigurno nije vijest u posljednjih godinu dana, ali neke su se alatke promijenile."

Imajući to u vidu, Dunning je također rekao da na terenu ima više igrača nego što je bilo prije samo godinu dana, ali to nije nužno dobra stvar. "Jedna stvar koja se dogodila je pojava sve većeg broja prodavača koji govore o 'čarobnom' strojnom učenju, kako bi to postavili ružnom riječju", objasnio je. "Postoji velika zabluda da možete jednostavno baciti svoje podatke u proizvod i iz njega dobiti neke lijepe uvide."

• Zašto je strojno učenje budućnost? Zašto je strojno učenje budućnost
• Comet.ml želi promijeniti način na koji komuniciramo s strojnim učenjem Comet.ml želi promijeniti način na koji komuniciramo s strojnim učenjem
• Google pojednostavljuje strojno učenje sa SQL-om Google pojednostavljuje strojno učenje s SQL-om

Dunning, očekivanje čarobnog rezultata od ML-a, može biti "neprihvatljivo". "I dalje morate razmišljati o tome koji je problem u stvari bitan. I dalje morate prikupiti podatke i još morate upravljati implementacijom vašeg sustava", rekao je. "A ove pragmatične, logističke stvarnosti i dalje dominiraju problemom."

Dunning dovodi u pitanje s nekim od izvrsnih marketinga koje nude neke softverske tvrtke. "Niti jedna magična AI vrsta stvari se čak ne bavi tim problemom", rekao je. Ima savjete koje bi tvrtke mogle razmotriti. Prema njegovim riječima, jedan od načina da osigurate dobru praksu je angažiranje određenog AI poslovnog analitičara kako bi netko u vašoj tvrtki mogao prepoznati aspekte vašeg poslovanja koji se mogu poboljšati pomoću ML tehnologije.

"U nekim bi slučajevima to moglo biti proširenje vašeg poslovanja na nove mogućnosti", objasnio je Dunning. No u većini slučajeva, međutim, naglasio je da je angažiranje nekoga da razumije potrebe vaše organizacije i korištenje tih podataka za vođenje strategije ML-a presudno.