A gépi tanulás üzleti útmutatója

A természetes nyelvfeldolgozástól (NLP) a mély tanulásig és azon túl a gépi tanulás (ML) a legnépszerűbb üzleti technológiák számos aspektusába lépett be. Az ML csak egy tényező a mesterséges intelligencia (AI) forradalomban, de ez fontos. Az ML algoritmusok egy létfontosságú intelligencia réteg, amelyet beépítenek az általunk használt termékekbe, és csak a jövőben fogjuk látni, hogy ez több felhasználási esetbe kerül.

Az ML algoritmusok beépülnek a mindennapi technológia nagy részébe. Az ML innovációk, amelyek a számítógépes látást, a mély tanulást, az NLP-t és azon túl is érintik, egy nagyobb forradalom részét képezik a gyakorlati AI körül. Ők nem önálló robotok vagy érző lények, hanem alkalmazásukba, szoftverünkbe és felhőszolgáltatásainkba integrált intelligenciafajták, amelyek ötvözik az AI algoritmusokat és a felszín alatti nagy adatokat.

A tendencia még hangsúlyosabb az üzleti életben. Az ML-t már nem kizárólag az adattudósok egy csoportja által végzett speciális kutatási projektekhez használják. A vállalatok most már használják az ML-t, hogy gyakorlatilag üzleti intelligenciát (BI) és prediktív elemzéseket szerezzenek az egyre növekvő mennyiségű adatból. Ezért fontosabb, mint valaha, hogy ne csak tudjuk, mi az ML, hanem megtanuljuk a leghatékonyabb stratégiákat is arra, hogyan lehet azt kézzelfoghatóan felhasználni.

Ted Dunning, Ph.D., a MapR fő alkalmazásszervezője, amely Big Data disztribúciókat és adatkezelési eszközöket biztosít a vállalkozások számára, és két könyv társszerzője arról is, hogy „gyakorlati gépi tanulásra” hivatkozik. A Szilícium-völgy veteránja évtizedek óta dolgozik a téren, figyeli az AI technikákat és a teret olyan mértékben fejlődik, hogy a kognitív számítástechnika fejlődése és a nyílt forrású eszközök rendelkezésre állása valóban az ML-t a mainstreambe hozta. Dunning beszélt a PCMag-lal, hogy átvágja a zsargont, elmagyarázza, hogy az ML valójában mit jelent, és adjon némi bölcsességet és bevált gyakorlatokat arra vonatkozóan, hogy a vállalkozások hogyan tudják a legtöbbet felhasználni ML-beruházásukhoz.

Gyakorlati meghatározás

Az ML egyenes meghatározása lehetővé teszi a rendszerek számára, hogy kifejezetten programozás nélkül cselekedjenek, és iteratívan megtanulják és módosítsák a beállításokat. Dunning szerint az ML a statisztikák egyik ága, de nagyon praktikus ágazat. Hangsúlyozta, hogy a valós üzleti kontextusban gyakorlati és realisztikusnak kell lennie annak alkalmazásában. Az ML alapvető feladata egy megismételhető, megbízható és végrehajtható üzleti folyamat létrehozása.

"A gépi tanulás nem arról szól, hogy visszatekintjük a tudományos adatokat, és megpróbáljuk eldönteni, hogy mely következtetések lehetnek életképesek" - mondta Dunning. "Arról van szó, hogy előretekintjük és megkérdezzük, mit tudunk előre jelezni a jövőről, és mi fog történni a különböző forgatókönyvekben. Amikor az adatokkal való üzletelésről van szó, nagyon korlátozott helyzetekről beszélünk, amelyekben megismételhetőséget akarunk."

Kép jóváírása: Todd Jaquith a Futurism.com oldalon. Kattintson a teljes infographic kibontásához.

Mély tanulás és olcsó tanulás

Az alapötlet több különböző területre bontható az ML-n belül, de Dunning rámutatott különösen a spektrum mindkét végén kettőre: a mély tanulásra és az úgynevezett „olcsó tanulásra”. A mély tanulás a bonyolultabb fogalom.

"Azt akartuk, hogy a gépi tanulás mélyebbre jusson. Ez a kifejezés eredete" - mondta Dunning. "Az elmúlt 10 vagy 15 évben olyan technikákat fejlesztettek ki, amelyek valóban ezt megteszik. Rendkívül sok mérnöki munkát igényeltek az algoritmusok láthatóvá tételében az adatokban, amelyek sokáig nem voltak olyan okosak, mint mi Meg kellett adnia ezeket az ízeket az adatokat algoritmusoknak egy tányéron, így ezeket a funkciókat kézzel kódoltuk, amelyeket a rendszerek maguk végeznek."

A mély tanulásban rejlik az ideghálózatok körüli innováció nagy része. Egyesíti a kifinomult technikákat, például a számítógépes látást és az NLP-t, a "mélyebb" tanulás rétegeivel, amelyek óriási előrelépéseket vezettek olyan területeken, mint a kép- és a szövegfelismerés. Ez nagyszerű a komplex modellezéshez, de túlterhelhető az egyszerűbb, mindennapi üzleti felhasználások számára, amelyek támaszkodhatnak a már megalapozott ML keretekre és technikákra, sokkal kevesebb paraméterrel.

Az olcsó tanulás - magyarázta Dunning - egyszerű, hatékony, kipróbált technikákat jelent, ahol az üzleti vállalkozásoknak nem kell drága erőforrásokat befektetniük a kerék újratalálásához.

"A számítástechnikában sokat beszélünk az alacsonyan lógó gyümölcsökről. Az adatok elérhetősége és a számítási kapacitás hatalmas növekedése azt jelenti, hogy csökkentettük az egész fát" - magyarázta. "Az egyszerű gépi tanulás nemcsak az adattudósok számára szól."

Hogyan működik az olcsó tanulás?

Az alapvető ML algoritmusok azonosíthatják a korrelációkat és ajánlásokat tehetnek, vagy kontextuálisabbá és személyre szabottabbá tehetik a tapasztalatokat. Dunning azt mondta, hogy szinte minden szempontból lehetősége van arra, hogy miként lépünk kapcsolatba a számítógépekkel, hogy olcsó tanulást használhassunk az egyszerűbb működés érdekében.

Az olcsó tanulás egyik példája a csalás felderítése. A bankok és a kereskedők széles körben elterjedt csalásokkal foglalkoznak, ám ez gyakran eloszlatott és elég alacsony értékű értékekre vonatkozik, és erről nem kapnak jelentést. Dunning elmagyarázta, hogy egy olcsó tanulási algoritmus (vagyis egy erre a feladatra programozott meglévő ML-teszt) használatával a kereskedők könnyebben azonosíthatják a kompromisszum közös pontjait, amelyek a felhasználókat veszélybe sodorják, és elkaphatják azokat a csalási mintákat, amelyek egyébként nem lennének látható.

"Tegyük fel, hogy azt szeretné megtudni, hogy mely kereskedők látszanak olyan adatokat szivárogtatni, amelyek csaláshoz vezetnek. A G ² teszt segítségével egyszerűen megállapíthatja, hogy melyik kereskedő túlzottan képviselteti magát a csalás áldozatainak tranzakciók előzményeiben, szemben a fogyasztókkal csalás nélkül", Dunning mondott. "Ez túlságosan egyszerűnek tűnik ahhoz, hogy gépi tanulásnak lehessen nevezni, de rossz fiúkat talál a valós életben. Ennek a technikának a kiterjesztései felhasználhatók valamivel fejlettebb technikák kibővítésére, lehetővé téve az egyszerűbb tanulási algoritmusok sikerét abban az esetben, ha egyébként elbukhatnak."

Az olcsó tanulás mindenféle módon felhasználható, így a Dunning másik példát mutatott arra, hogy az online vállalkozás hogyan használhatja azt. Ebben az esetben elmagyarázta, hogy egy létező ML algoritmus hogyan oldhatja meg az egyszerű megjegyzés-rangsorolási problémát.

"Tegyük fel, hogy van egy cikke, amelyen számos megjegyzés található. Milyen sorrendben kell őket elhelyezni? Mi lenne a megjegyzések megrendelése annak alapján, hogy milyen érdekes emberek gondolják őket? Megszámolhatja, hogy hányszor olvastak az emberek a megjegyzésben, és hogy sokszor felszólalták, de van még egy kis varázslat is - mondta Dunning.

"Az egyik olvasó által adott egy pozitív szavazat valószínűleg nem jobb, mint a tíz olvasó közül nyolc pozitív szavazat" - magyarázta. "Még ennél is rosszabb, ha a korai nyerteseket helyezi a tetejére, a többi megjegyzés soha nem látja a napfényt, és soha nem tud megtanulni róluk. A Thompson mintavételnek nevezett gépi tanulás egy apróbb megoldása oly módon oldja meg az adatokat, hogy új megjegyzéseket gyűjtsön. és ahol a rangsorolás bizonytalan, de általában úgy rendezik meg őket, hogy a felhasználók a lehető legjobb élményt nyújtsák."

A Dunning egy sor bevált gyakorlatot is felvázolt arra vonatkozóan, hogy az Ön vállalkozása hogyan tudja a legtöbbet hozni az ML-ből. Ha meg szeretné osztani, hogy a logisztika, az adatok, valamint a különféle algoritmusok és eszközök arzenálja hogyan működik egy sikeres üzleti stratégiában, olvassa el a 7 tipp a gépi tanulás sikertörténetéhez.

2018 és azon túl: hol van az ML

Lehet, hogy ez nem meglepő önnek, de a Big Data és a kapcsolódó adatbázis-tér gyorsan növekszik. A San Jose-i BigData SV 2018 konferencián Peter Burris, a Wikibon Research technológia elemző cég kutatási vezetője bemutatta az eredményeket, amelyek azt mutatják, hogy a globális Big Data ipar bevételeinek becslései szerint a 2017. évi 35 milliárd dollárról 2018-ban 42 milliárd dollárra növekszik. Ráadásul Burris előrejelzése szerint a bevétel 2027-re eléri a 103 milliárd dollárt.

Ezen adatok hatékony kezelése érdekében az intelligens ML-megoldások még szükségesebbé válnak, mint jelenleg. Nyilvánvaló, hogy az ML továbbra is forró téma lesz a belátható jövőben. Amikor egy évvel ezelőtt utoljára beszéltünk a MapR's Dunnennel, hangsúlyozta, hogy kiszámított, reális megközelítést alkalmaz az ML számára az üzleti életben. De egy év hosszú idő, amikor a techről beszélünk. Nemrégiben felbukkantunk Dunninggel, és elmondása szerint a dolgok nagyjából ugyanazok maradtak az utolsó beszélgetésünk óta. "Ezen a magasabb szinten nem sokat változott" - mondta Dunning. "A bizonyítékokkal való érvelés alapvető gondolata természetesen nem újdonságok az elmúlt évben, ám a szerszámok egy része megváltozott."

Ezt szem előtt tartva, Dunning azt is mondta, hogy több játékos van a pályán, mint csak egy évvel ezelőtt, de ez a tény nem feltétlenül jó dolog. "Egy dolog, ami történt, egyre több eladó jelent meg, akik" varázslatos "gépi tanulásról beszélnek, hogy csúnya szót mondjanak rá" - magyarázta. "Nagy a tévhit, hogy adatait egy termékbe dobhatja, és gyönyörű betekintést nyerhet belőle."

• Miért a gépi tanulás a jövő Miért gépi tanulás a jövő?
• A Comet.ml meg akarja változtatni, hogy miként működünk együtt a gépi tanulással.
• A Google egyszerűsíti a gépi tanulást az SQL-rel. A Google egyszerűsíti a gépi tanulást az SQL-vel

Dunning szerint a mágikus eredmény elvárása az ML-től "alulteljesítő" lehet. "Még mindig gondolkodnia kell, hogy melyik probléma ténylegesen fontos. Még mindig adatokat kell gyűjtenie, és a rendszer telepítését is kezelnie kell" - mondta. "És ezek a gyakorlati, logisztikai realitások továbbra is uralják a problémát."

A Dunning vitatja néhány szoftvercég által kínált magasztos marketingt. "A varázslatos AI-fajták egyike sem foglalkozik ezzel." - mondta. Van egy tanács, amelyet a vállalkozásoknak figyelembe kell venniük. Elmondása szerint a bevált gyakorlatok biztosításának egyik módja egy speciális AI üzleti elemző felvétele, így kérheti, hogy valaki a cégében azonosítsa vállalkozásának azon aspektusait, amelyek javíthatók az ML technológiával.

"Bizonyos esetekben ez az üzleti vállalkozás új lehetőségekre való kiterjesztése lehet" - magyarázta Dunning. De a legtöbb esetben mindazonáltal hangsúlyozta, hogy kritikus fontosságú az, ha felvesz valakit a szervezet igényeinek megértésére és az információk felhasználására az ön ML stratégiájának irányításához.