Poslovni vodnik za strojno učenje

Od obdelave naravnega jezika (NLP) do globokega učenja in naprej, je strojno učenje (ML) vneslo številne vidike najbolj priljubljenih poslovnih tehnologij. ML je le en dejavnik revolucije umetne inteligence (AI), vendar je pomemben. ML algoritmi so bistvena inteligenčna plast, ki je vključena v izdelke, ki jih uporabljamo, in v prihodnosti bomo videli le še več primerov uporabe.

ML algoritmi so vgrajeni v tkanino večine tehnologije, ki jo uporabljamo vsak dan. Inovacije ML, ki zajemajo računalniški vid, globoko učenje, NLP in več, so del večje revolucije okoli praktičnega AI. Niso avtonomni roboti ali čuteča bitja, ampak vrsta inteligence, integrirane v naše aplikacije, programsko opremo in storitve v oblaku, ki pod površjem kombinirajo algoritme AI in Big Data.

Trend je v poslu še bolj izrazit. ML se ne uporablja več samo za specializirane raziskovalne projekte, ki jih izvaja skupina podatkovnih znanstvenikov. Podjetja zdaj uporabljajo ML za pridobivanje uporabne poslovne inteligence (BI) in napovedne analitike iz vedno večje količine podatkov. Zato je bolj kot kdaj koli prej pomembno, da ne le vemo, kaj je ML, temveč se tudi naučimo najučinkovitejših strategij, kako ga uporabiti za oprijemljivo vrednost.

Ted Dunning, doktor znanosti, je glavni arhitekt aplikacij pri MapR, ki ponuja velike distribucije podatkov in orodja za upravljanje podatkov za podjetja, hkrati pa je tudi soavtor dveh knjig o tem, kar imenuje "Praktično strojno učenje". Veteran Silicijeve doline deluje na tem področju že desetletja in je opazoval AI tehnike in prostor, ki se razvija do točke, ko so napredek kognitivnega računalništva in razpoložljivost orodij z odprto kodo resnično pripeljali ML v glavni tok. Dunning se je za PCMag pogovarjal z žargonom, razložil, kaj ML dejansko pomeni in predstavil nekaj modrosti in najboljših praks o tem, kako lahko podjetja kar najbolje izkoristijo svoje naložbe v ML.

Praktična definicija

Natančna opredelitev ML daje sistemom možnost, da delujejo in se iterativno učijo in prilagajajo, brez izrecnega programiranja. Dunning je dejal, da je ML veja statistike, vendar je zelo praktična panoga. Poudaril je, da morate biti v poslovnem kontekstu pragmatični in realni, kako to uporabljate. Osnovna naloga ML je ustvariti ponovljiv, zanesljiv in izvedljiv poslovni proces.

"Strojno učenje ne pomeni gledanja nazaj na znanstvene podatke in poskuša odločiti, kateri zaključki so izvedljivi, " je dejal Dunning. "Gre za veselje in spraševanje, kaj lahko napovemo o prihodnosti in kaj se bo dogajalo v različnih scenarijih. Ko gre za poslovanje s temi podatki, govorimo o zelo omejenih situacijah, kjer želite ponovljivost."

Kreditna slika: Todd Jaquith na Futurism.com. Kliknite, če želite razširiti celotno infografiko.

Globoko učenje v primerjavi s poceni učenjem

Osnovno idejo lahko razčlenite na več različnih področij ML, vendar je Dunning izpostavil predvsem dve na obeh koncih spektra: globoko učenje in tisto, čemur pravi "poceni učenje." Globoko učenje je bolj zapleten koncept.

"Želeli smo poglobiti strojno učenje. To je izvor izraza, " je dejal Dunning. "V zadnjih 10 ali 15 letih so bile razvite tehnike, ki to dejansko počnejo. Nekoč je bilo potrebno veliko inženirskega dela, da so odnosi v podatkih vidni algoritmom, ki dolgo časa niso bili tako pametni kot mi želeli so, da bi bili. Morali ste algoritme predati tem prijetnim podatkom na plošči, zato smo vse te funkcije, ki jih zdaj sistemi delajo, ročno kodirali."

V poglobljenem učenju se skriva veliko novosti v nevronskih mrežah. Združuje prefinjene tehnike, kot sta računalniški vid in NLP, v plasti "globljega" učenja, ki so privedle do ogromnih korakov na področjih, kot sta prepoznavanje slike in besedila. To je super za kompleksno modeliranje, vendar je lahko preveč za preproste, vsakodnevne poslovne namene, ki se lahko zanesejo na uveljavljene okvire in tehnike ML z veliko manj parametri.

Dunning je pojasnil, da je poceni učenje enostavno in učinkovito preizkušene tehnike, pri katerih podjetjem ni treba vlagati dragih virov, da bi izumili kolo.

"Pri računanju veliko govorimo o nizko obesnih plodovih. Razpoložljivost podatkov in veliko povečanje računalniške zmogljivosti pomeni, da smo spustili celotno drevo, " je pojasnil. "Enostavno strojno učenje ni več samo za podatkovne strokovnjake."

Kako deluje poceni učenje?

Osnovni algoritmi ML lahko prepoznajo korelacije in dajejo priporočila ali dajejo izkušnje bolj kontekstualne in personalizirane. Dunning je dejal, da je v skoraj vseh vidikih, kako z njimi vplivamo na računalnike, mogoče uporabiti poceni učenje, da preprosto izboljšajo stvari.

En primer poceni učenja v praksi je odkrivanje goljufij. Banke in trgovci se ukvarjajo s široko goljufijo, vendar je pogosto razpršena in zadeva dovolj nizke vrednosti, o katerih ne poročajo. Dunning je pojasnil, da lahko z uporabo algoritma poceni učenja (to je obstoječega ML-testa, programiranega za to posebno nalogo) trgovci lažje prepoznajo skupne kompromisne točke, ki ogrožajo uporabnike in ujamejo vzorce goljufij, ki sicer ne bi bili vidno.

"Recimo, da želite najti, za katere trgovce se zdi, da puščajo podatke, ki vodijo do goljufij. S testom G ² lahko preprosto ugotovite, kateri trgovci so v zgodovinah transakcij žrtev goljufij in potrošnikov brez prevare preprosto zastopani, " Dunning je dejal. "To se zdi preveč preprosto, da bi ga lahko imenovali strojno učenje, vendar v resničnem življenju najde slabe fante. Razširitve te tehnike se lahko uporabijo za izboljšanje nekoliko naprednejših tehnik, ki omogočajo enostavnejšim učnim algoritmom uspeh, če drugače ne uspejo."

Poceni učenje je mogoče uporabiti na različne načine, zato je Dunning dal še en primer, kako ga lahko uporablja spletno podjetje. V tem primeru je razložil, kako lahko obstoječi algoritem ML reši preprosto težavo pri razvrščanju komentarjev.

"Recimo, da imate članek s številnimi komentarji nanj. V kakšnem vrstnem redu naj bodo nameščeni? Kako je z naročanjem komentarjev glede na to, kako zanimivi ljudje mislijo, da so? Lahko preštejete, kolikokrat bodo ljudje prebrali komentar in kako velikokrat ga spodbudijo, a malo čarovnije je še vedno potrebno, "je dejal Dunning.

"En prispevek enega bralca verjetno ni boljši od osmih objavljenih poročil od desetih bralcev, " je pojasnil. "Še huje je, da če zgodnje zmagovalce postavite na vrh, ostali komentarji nikoli ne ugledajo luči dneva in se zato o njih nikoli ne naučite. Majhen strojni način učenja, imenovan Thompson sampling, lahko to reši na način, da zbira podatke o novih komentarjih in kjer je uvrstitev negotova, na splošno pa jih naročite tako, da uporabnikom zagotavljajo najboljšo izkušnjo."

Dunning je postavil tudi nabor najboljših praks za to, kako lahko vaše podjetje kar najbolje izkoristi ML. Če želite razčleniti, kako logistika, podatki in arzenal različnih algoritmov in orodij vplivajo na uspešno poslovno strategijo, si oglejte 7 zgodb o nasvetih za uspeh strojnega učenja.

2018 in naprej: Kjer je zdaj ML

Morda vas to ne preseneča, toda Big Data in z njim povezan prostor podatkovnih baz se hitro povečuje. Med konferenco BigData SV 2018 v San Joseju je Peter Burris, glavni raziskovalni direktor tehnološkega analitičnega podjetja Wikibon Research, predstavil ugotovitve, ki kažejo, da naj bi se prihodki od globalne industrije velikih podatkov povišali s 35 milijard dolarjev v letu 2017 na 42 milijard dolarjev v letu 2018. Poleg tega Burris napoveduje, da bodo prihodki do leta 2027 dosegli 103 milijarde dolarjev.

Za učinkovito obvladovanje vseh teh podatkov bodo pametne ML rešitve postale še bolj potrebne kot zdaj. Očitno je, da bo ML še naprej vroča tema v dogledni prihodnosti. Ko smo se pred enim letom zadnjič pogovarjali z MapR-jevim Dunningom, je poudaril, da upošteva preračunljiv, realističen pristop k ML za poslovanje. Ampak leto je že dolgo, ko govorite o tehnologiji. Nedavno smo se ujeli z Dunningom in po njegovem so stvari po našem zadnjem pogovoru ostale približno enake. "Na tej višji ravni se ni veliko spremenilo, " je dejal Dunning. "Osnovna ideja sklepanja iz dokazov zagotovo niso novice v zadnjem letu, vendar se je nekaj orodja spremenilo."

Glede na to je tudi Dunning dejal, da je na terenu več igralcev, kot jih je bilo pred samo enim letom, vendar to ni nujno dobra stvar. "Ena stvar, ki se je zgodila, je pojavljanje čedalje več prodajalcev, ki govorijo o" čarobnem "strojnem učenju, da bi na to postavili grdo besedo, " je pojasnil. "Obstaja velika napačna predstava, da lahko svoje podatke preprosto vržete v izdelek in iz njega pridobite nekaj lepih vpogledov."

• Zakaj je strojno učenje prihodnost Zakaj je strojno učenje prihodnost
• Comet.ml želi spremeniti način interakcije s strojnim učenjem Comet.ml želi spremeniti, kako sodelujemo s strojnim učenjem
• Google poenostavlja strojno učenje s SQL Google poenostavlja strojno učenje s SQL

Dunningova pričakovanja čarobnega rezultata od ML so lahko "premalo". "Še vedno morate razmišljati o tem, kateri problem je pravzaprav pomemben. Še vedno morate zbrati podatke in še vedno morate upravljati z uvajanjem svojega sistema, " je dejal. "In te pragmatične, logistične resničnosti še vedno prevladujejo nad problemom."

Dunning postavlja težave z nekaterimi odmevnimi tržnimi ponudbami, ki jih ponujajo nekatere programske družbe. "Nobena izmed čarobnih AI stvari niti tega ne naslavlja, " je dejal. Ima nasvete, ki jih bodo morala podjetja upoštevati. Po njegovem mnenju je eden od načinov za zagotavljanje dobrih praks najem posebnega AI poslovnega analitika, tako da lahko nekdo v vašem podjetju prepozna vidike vašega podjetja, ki jih je mogoče izboljšati s pomočjo tehnologije ML.

"V nekaterih primerih bi to lahko bilo razširitev vašega podjetja na nove priložnosti, " je pojasnil Dunning. Vendar je v večini primerov poudaril, da je zaposlitev nekoga, ki bo razumel potrebe vaše organizacije in jih uporabil za vodenje strategije ML, ključnega pomena.