Obchodní průvodce strojovým učením

Od zpracování přirozeného jazyka (NLP) po hluboké učení a dále vstoupilo strojové učení (ML) do mnoha aspektů nejoblíbenějších podnikových technologií. ML je jen jedním z faktorů v revoluci umělé inteligence (AI), ale je to důležitý. Algoritmy ML jsou životně důležitou inteligenční vrstvou, která se zapéká do produktů, které používáme, a uvidíme, jak se v budoucnu plazí do více případů použití.

Algoritmy ML jsou zabudovány do struktury většiny technologií, které každý den používáme. Inovace ML zahrnující počítačové vidění, hluboké učení, NLP a další jsou součástí větší revoluce kolem praktických umělých inteligencí. Nejedná se o autonomní roboty nebo vnímající bytosti, ale o druh inteligence integrovaných do našich aplikací, softwaru a cloudových služeb, které kombinují algoritmy AI a velká data pod povrchem.

Tento trend je ještě výraznější v podnikání. ML se již nepoužívá výhradně pro specializované výzkumné projekty prováděné týmem vědců s údaji. Podniky nyní využívají ML k získání akčního business intelligence (BI) a prediktivní analýzy ze stále rostoucího množství dat. Proto je důležitější než kdy jindy nejen vědět, co je ML, ale také se učit nejúčinnější strategie, jak je použít pro konkrétní hodnotu.

Ted Dunning, Ph.D., je hlavním aplikačním architektem v MapR, který poskytuje distribuci velkých dat a nástroje pro správu dat pro podniky, a také spoluautorem dvou knih o tom, co nazývá „Praktické strojové učení“. Veterán ze Silicon Valley pracoval v této oblasti po celá desetiletí, sledoval techniky AI a prostor se vyvíjel do bodu, kdy pokroky v kognitivní práci s počítači a dostupnost nástrojů s otevřeným zdrojovým kódem skutečně přivedly ML do hlavního proudu. Dunning hovořil s PCMag, aby prořezal žargonu, vysvětlil, co ML vlastně znamená, a předal nějakou moudrost a osvědčené postupy o tom, jak podniky mohou co nejlépe využít své investice do ML.

Praktická definice

Přímá definice ML dává systémům schopnost jednat a iterativně se učit a provádět úpravy, bez jakéhokoli explicitního programování. Dunning řekl, že ML je odvětví statistiky, ale odvětví, které je velmi praktické. Zdůraznil, že v reálném obchodním kontextu musíte být pragmatičtí a realističtí s tím, jak je uplatňujete. Hlavním úkolem ML je vytvoření obchodního procesu, který je opakovatelný, spolehlivý a spustitelný.

"Strojové učení není o tom, jak se zpětně dívat na vědecká data a pokoušet se rozhodnout, jaké závěry jsou proveditelné, " řekl Dunning. "Jde o to, abychom se těšili, a ptáme se, co můžeme předvídat o budoucnosti a co se stane v různých scénářích. Když jde o obchodování s těmito daty, mluvíme o velmi omezených situacích, kdy chcete replikovatelnost."

Obrazový kredit: Todd Jaquith na Futurism.com. Klepnutím rozbalte celý infographic.

Hluboké učení vs. levné učení

Tuto základní myšlenku můžete rozdělit na řadu různých oborů v rámci ML, ale Dunning ukázal na dva zejména na obou koncích spektra: hluboké učení a to, co nazývá „levné učení“. Hlubší učení je složitější koncept.

"Chtěli jsme, aby strojové učení šlo hlouběji. To je původ termínu, " řekl Dunning. „Za posledních 10 nebo 15 let byly vyvinuty techniky, které to ve skutečnosti dělají. Vyžadovaly mnoho inženýrské práce, aby vztahy v datech byly viditelné pro algoritmy, které po dlouhou dobu nebyly tak chytré, jako jsme my Chtěli jste, aby to byly. Museli jste algoritmy předávat tato chutná data na talíři, takže jsme používali ruční kódování všech těchto funkcí, které nyní systémy samy dělají. “

Hluboké učení je místem, kde leží velká část inovací kolem neuronových sítí. Kombinuje sofistikované techniky, jako je počítačové vidění a NLP, do vrstev „hlubšího“ učení, které vedlo k obrovským pokrokům v oblastech, jako je rozpoznávání obrázků a textu. To je skvělé pro komplexní modelování, ale může být nadměrné pro jednodušší každodenní obchodní použití, které se může spolehnout na zavedené ML rámce a techniky s mnohem méně parametry.

Levné učení, vysvětlil Dunning, znamená jednoduché, efektivní a osvědčené techniky, kde podniky nepotřebují investovat drahé zdroje, aby znovu objevily kolo.

"V oblasti počítačů hodně mluvíme o nízko visících plodech. Dostupnost dat a masivní nárůst výpočetní kapacity znamená, že jsme snížili celý strom, " vysvětlil. "Jednoduché strojové učení už není jen pro vědce s údaji."

Jak funguje levné učení?

Základní algoritmy ML mohou identifikovat korelace a vydávat doporučení nebo zvyšovat kontextové a personalizované zkušenosti. Dunning řekl, že v téměř každém aspektu způsobu, jakým komunikujeme s počítači, existuje příležitost, jak využít levné učení k tomu, aby věci fungovaly lépe.

Jedním příkladem levného učení v praxi je detekce podvodů. Banky a obchodníci se potýkají s rozšířenými podvody, ale často se rozptýlí a týkají se dostatečně nízkých hodnot, které nehlásí. Dunning vysvětlil, že použitím levného algoritmu učení (tj. Existujícího testu ML naprogramovaného pro tento konkrétní úkol) mohou obchodníci snadněji identifikovat běžné kompromisní body, které ohrožují uživatele a zachycují vzorce podvodů, které by jinak nebyly viditelné.

"Předpokládejme, že chcete zjistit, kteří obchodníci unikají datům, která vedou k podvodu. Můžete použít test G ^2, abyste jednoduše zjistili, kteří obchodníci jsou v historii transakcí obětí podvodů versus zákazníci bez podvodu, " řekl Dunning. řekl. "Zdá se to příliš jednoduché na to, aby to bylo nazýváno strojovým učením, ale ve skutečném životě to najde špatné lidi. Rozšíření této techniky lze použít k rozšíření poněkud vyspělejších technik, které umožňují jednodušším algoritmům učení uspět tam, kde by jinak mohly selhat."

Levné učení může být použito nejrůznějšími způsoby, takže Dunning dal další příklad toho, jak by ho mohl používat internetový obchod. V tomto případě vysvětlil, jak stávající algoritmus ML může vyřešit jednoduchý problém s hodnocením komentářů.

„Předpokládejme, že k tomu máte článek s množstvím komentářů. V jakém pořadí by měly být umístěny? A co s tím, jak uspořádat komentáře podle toho, jak zajímaví lidé si myslí, že jsou? Můžete spočítat, kolikrát lidé čtou komentář a jak mnohokrát to podpořili, ale stále je potřeba trochu magie, “řekl Dunning.

"Jeden upvote od jednoho čtenáře pravděpodobně není vlastně lepší než osm upvotes z 10 čtenářů, " vysvětlil. "Ještě horší je, že pokud dáváte včasné vítěze na vrchol, ostatní komentáře nikdy nevidí denní světlo, a tak se o nich nikdy nedozvíte. Trochu strojového učení zvaného Thompsonova vzorkování to může vyřešit tak, že shromažďuje data o nových komentářích a v případě nejistých hodnocení, ale obvykle je objednávají způsobem, který uživatelům poskytuje nejlepší zážitek. ““

Dunning také stanovil řadu osvědčených postupů pro to, jak může vaše firma vytěžit maximum z ML. Stručný přehled toho, jak logistika, data a arzenál různých algoritmů a nástrojů ovlivňují úspěšnou obchodní strategii, najdete v našich 7 tipech pro úspěch v učení se stroji.

2018 a dále: Kde je ML nyní

Možná to pro vás nepřekvapuje, ale Big Data a přidružený databázový prostor přinejmenším rychle rostou. Během konference BigData SV 2018 v San Jose představil Peter Burris, hlavní výzkumný pracovník technické analytické firmy Wikibon Research, zjištění, že se očekává, že příjmy z globálního odvětví velkých dat vzrostou z 35 miliard USD v roce 2017 na 42 miliard USD v roce 2018. navíc Burris předpovídá tržby do roku 2027 na 103 miliard dolarů.

Pro efektivní zpracování všech těchto dat se inteligentní řešení ML stanou ještě nezbytnějšími, než jsou nyní. Je zřejmé, že ML bude v dohledné budoucnosti i nadále horkým tématem. Když jsme před rokem mluvili s MapR's Dunning před rokem, zdůraznil, že pro podnikání počítá s realistickým přístupem k ML. Ale rok je dlouhý čas, když mluvíte o tech. Nedávno jsme dohnali Dunninga a podle něj se věci od našeho posledního rozhovoru nezměnily. „Na této vyšší úrovni se toho moc nezměnilo, “ řekl Dunning. "Základní myšlenka zdůvodnění důkazů rozhodně není novinkou za poslední rok, ale některé nástroje se změnily."

S ohledem na to Dunning také řekl, že v poli je více hráčů, než tomu bylo před rokem, ale tato skutečnost nemusí být nutně dobrá věc. „Jedna věc, která se stala, je vznik více a více prodejců, kteří mluví o‚ magickém 'strojovém učení, aby na to dali ošklivé slovo, “vysvětlil. "Existuje velká mylná představa, že můžete jednoduše hodit svá data do produktu a získat z něj nějaké krásné informace."

• Proč strojové učení je budoucnost Proč strojové učení je budoucnost
• Comet.ml chce změnit, jak interagujeme s strojovým učením Comet.ml chce změnit, jak interagujeme s strojovým učením
• Google Zjednodušuje strojové učení s SQL Google Zjednodušuje strojové učení s SQL

Očekávat magický výsledek od ML může být podle Dunninga „podmanivý“. "Stále musíte přemýšlet o tom, na čem skutečně záleží. Stále musíte shromažďovat data a stále musíte řídit nasazení vašeho systému, " řekl. "A tyto pragmatické, logistické skutečnosti stále dominují problému."

Dunning se potýká s některými vznešenými marketingy, které nabízejí některé softwarové společnosti. „Žádná z kouzelných druhů umělé inteligence to ani neřeší, “ řekl. On má kus rady pro podniky, aby zvážila. Podle něj je jedním ze způsobů, jak zajistit dobré postupy, najmutí konkrétního obchodního analytika AI, aby vám někdo ve vaší společnosti mohl identifikovat aspekty vašeho podnikání, které lze vylepšit pomocí technologie ML.

„V některých případech to může být rozšíření vašeho podnikání o nové příležitosti, “ vysvětlil Dunning. Ve většině případů však zdůraznil, že je velmi důležité najmout někoho, aby porozuměl potřebám vaší organizace a použil tyto informace k vedení vaší strategie ML.