Obsah:
- Praktická definícia
- Hlboké učenie vs. lacné učenie
- Ako funguje lacné vzdelávanie?
- 2018 a ďalej: Kde je ML teraz
Od spracovania prirodzeného jazyka (NLP) po hlboké vzdelávanie a ďalej, strojové vzdelávanie (ML) vstúpilo do mnohých aspektov najpopulárnejších obchodných technológií. ML je len jedným z faktorov v revolúcii umelej inteligencie (AI), ale je to dôležitý faktor. Algoritmy ML sú dôležitou inteligenčnou vrstvou, ktorá sa pečie do produktov, ktoré používame, a uvidíme, že sa v budúcnosti bude plaziť aj vo viacerých prípadoch použitia.
Algoritmy ML sú zabudované do štruktúry väčšiny technológií, ktoré používame každý deň. Inovácie ML zahŕňajúce počítačové videnie, hlboké vzdelávanie, NLP a ďalšie sú súčasťou väčšej revolúcie okolo praktickej inteligencie. Nejedná sa o autonómne roboty alebo vnímajúce bytosti, ale o druh inteligencie integrovanej do našich aplikácií, softvéru a cloudových služieb, ktoré kombinujú algoritmy AI a veľké dáta pod povrchom.
Tento trend je ešte výraznejší v podnikaní. ML sa už nevyužíva výlučne na špecializované výskumné projekty realizované tímom vedcov údajov. Podniky teraz využívajú ML na získanie obchodovateľnej inteligencie (BI) a prediktívnej analýzy z neustále rastúceho množstva údajov. Preto je dôležitejšie ako kedykoľvek predtým nielen vedieť, čo je ML, ale aj naučiť sa najúčinnejšie stratégie, ako ho využiť pre hmatateľnú hodnotu.
Praktická definícia
Priama definícia ML dáva systémom schopnosť konať a iteratívne sa učiť a robiť úpravy bez akéhokoľvek explicitného programovania. Dunning povedal, že ML je odvetvie štatistiky, ale odvetvie, ktoré je veľmi praktické. Zdôraznil, že v obchodnom kontexte v skutočnom svete musíte byť pragmatickí a realistickí s jeho uplatňovaním. Hlavnou úlohou ML je vytvoriť obchodný proces, ktorý je opakovateľný, spoľahlivý a vykonateľný.
„Strojové učenie nie je o spätnom pohľade na vedecké údaje a o pokuse rozhodnúť sa, ktoré závery sú realizovateľné, “ povedal Dunning. „Je to o tom, ako sa tešiť, a pýtať sa, čo môžeme predpovedať o budúcnosti a čo sa bude diať v rôznych scenároch. Pokiaľ ide o obchodovanie s týmito údajmi, hovoríme o veľmi obmedzených situáciách, v ktorých chcete replikovateľnosť.“
Obrazový kredit: Todd Jaquith na Futurism.com. Kliknutím rozbaľte celý infographic.
Hlboké učenie vs. lacné učenie
Túto základnú myšlienku môžete rozdeliť na niekoľko rôznych oblastí v rámci ML, ale Dunning poukázal na dve konkrétne na oboch koncoch spektra: hlboké vzdelávanie a to, čo nazýva „lacné vzdelávanie“. Hlbšie vzdelávanie je zložitejšia koncepcia.
„Chceli sme, aby strojové učenie prešlo hlbšie. To je pôvod tohto pojmu, “ povedal Dunning. „Za posledných 10 alebo 15 rokov boli vyvinuté techniky, ktoré to v skutočnosti robia. Vyžadovali veľa inžinierskej práce na zviditeľnenie vzťahov v údajoch algoritmom, ktoré po dlhú dobu neboli také chytré ako my Chceli ste, aby boli. Museli ste odovzdať tieto chutné údaje na doske, takže sme všetky tieto funkcie, ktoré systémy teraz robia samy, kódovali ručne. “
Hlboké vzdelávanie je miestom, kde leží veľká časť inovácií okolo neurónových sietí. Kombinuje sofistikované techniky, ako napríklad počítačové videnie a NLP, do vrstiev „hlbšieho“ učenia, ktoré viedli k veľkým pokrokom v oblastiach, ako je rozpoznávanie obrázkov a textov. Je to vynikajúce pre zložité modelovanie, ale môže to byť zbytočné pre jednoduchšie každodenné obchodné použitie, ktoré sa môže spoľahnúť na zavedené rámce a techniky ML s oveľa menšími parametrami.
Lacné učenie, vysvetlil Dunning, znamená jednoduché, efektívne, osvedčené techniky, pri ktorých podniky nemusia investovať drahé zdroje, aby znovu objavili koleso.
„Pri práci s počítačmi veľa hovoríme o nízko visiacich plodoch. Dostupnosť údajov a veľké zvýšenie výpočtovej kapacity znamená, že sme znížili celý strom, “ vysvetlil. „Jednoduché strojové učenie už nie je len pre vedcov údajov.“
Ako funguje lacné vzdelávanie?
Základné algoritmy ML môžu identifikovať korelácie a vydávať odporúčania, alebo môžu skúsenosti viac kontextovo a personalizovať. Dunning povedal, že v takmer každom aspekte spôsobu interakcie s počítačmi existuje príležitosť, aby používali lacné vzdelávanie, aby veci jednoducho fungovali lepšie.
Jedným z príkladov lacného vzdelávania v praxi je zisťovanie podvodov. Banky a obchodníci sa zaoberajú rozsiahlym podvodom, je však často rozptýlený a týka sa dostatočne nízkych hodnôt, ktoré mu neoznamujú. Dunning vysvetlil, že použitím lacného výučbového algoritmu (tj existujúceho ML testu naprogramovaného pre túto konkrétnu úlohu) môžu obchodníci ľahšie identifikovať spoločné kompromisné body, ktoré ohrozujú používateľov a zachytávajú vzorce podvodu, ktoré by inak neboli. viditeľné.
„Predpokladajme, že chcete zistiť, ktorí obchodníci presúvajú údaje, ktoré vedú k podvodom. Pomocou testu G 2 môžete jednoducho zistiť, ktorí obchodníci sú nadmerne zastúpení v histórii transakcií obetí podvodu oproti spotrebiteľom bez podvodu, “ Dunning povedal. „Zdá sa to príliš jednoduché na to, aby sa to nazývalo strojové učenie, ale v skutočnom živote to nájde zbabelcami. Rozšírenia tejto techniky sa dajú použiť na vylepšenie trochu pokročilejších techník, ktoré umožňujú jednoduchším učebným algoritmom uspieť tam, kde by inak mohli zlyhať.“
Lacné vzdelávanie sa dá využiť najrôznejšími spôsobmi, takže Dunning dal ďalší príklad toho, ako ho môže online obchod využiť. V tomto prípade vysvetlil, ako môže existujúci algoritmus ML vyriešiť jednoduchý problém s hodnotením komentárov.
„Predpokladajme, že máte k dispozícii článok s niekoľkými komentármi. V akom poradí by mali byť umiestnené? Ako je to s poradím komentárov podľa toho, ako si myslia zaujímaví ľudia? Môžete spočítať, koľkokrát si ľudia prečítajú komentár a ako mnohokrát to podporili, ale stále je potrebné trochu kúzla, “povedal Dunning.
"Jeden upvote od jedného čitateľa pravdepodobne nie je v skutočnosti lepší ako osem upvote z 10 čitateľov, " vysvetlil. „Ešte horšie je, že ak dávate na začiatok čoskoro víťazov, ostatné komentáre nikdy neuvidia svetlo sveta, a tak sa o nich nikdy nedozviete. Trochu strojového učenia nazývaného vzorkovanie Thompsona to môže vyriešiť tak, že zhromažďuje údaje o nových komentároch. a kde poradie nie je isté, ale spravidla si ich objednáva spôsobom, ktorý používateľom poskytuje najlepšie skúsenosti. ““
Spoločnosť Dunning tiež stanovila súbor osvedčených postupov, ako môže vaša firma čo najlepšie využiť ML. Ak chcete zistiť, ako logistika, údaje a arzenál rôznych algoritmov a nástrojov ovplyvňujú úspešnú obchodnú stratégiu, prečítajte si 7 príbehov o úspechu pri strojovom učení.
2018 a ďalej: Kde je ML teraz
Možno to pre vás nie je žiadnym prekvapením, ale veľké dáta a súvisiaci databázový priestor rastú rýchlo, prinajmenšom. Počas konferencie BigData SV 2018 v San Jose Peter Burris, hlavný výskumný pracovník technickej analytickej firmy Wikibon Research, predstavil zistenia, podľa ktorých sa odhaduje, že príjmy z globálneho odvetvia veľkých dát sa zvýšia z 35 miliárd dolárov v roku 2017 na 42 miliárd dolárov v roku 2018. čo je najvyššie, spoločnosť Burris predpovedá príjmy do roku 2027 na 103 miliárd dolárov.
Na efektívne zaobchádzanie so všetkými týmito údajmi budú inteligentné riešenia ML ešte potrebnejšie ako v súčasnosti. Je zrejmé, že ML bude v blízkej budúcnosti naďalej horúcou témou. Keď sme pred rokom hovorili s MapR's Dunning pred rokom, zdôraznil, že pre podnikanie podniká vypočítaný a realistický prístup k ML. Ale rok je dlhý čas, keď hovoríte o technike. Nedávno sme dohnali Dunninga a podľa neho od posledného rozhovoru zostali veci rovnaké. „Na tejto vyššej úrovni sa toho veľa nezmenilo, “ povedal Dunning. „Základná myšlienka zdôvodňovania na základe dôkazov určite nie je správa za posledný rok, ale niektoré nástroje sa zmenili.“
Vzhľadom na to Dunning tiež povedal, že v tejto oblasti je viac hráčov ako pred rokom, ale táto skutočnosť nemusí byť nevyhnutne dobrá. „Jedna vec, ktorá sa stala, je objavenie sa stále viac a viac predajcov, ktorí hovoria o„ magickom “strojovom učení, aby na to dali škaredé slovo, “ vysvetlil. „Existuje veľká mylná predstava, že môžete jednoducho hodiť svoje údaje do produktu a získať z neho nejaké krásne informácie.“
- Prečo je strojové učenie budúcnosť Prečo strojové učenie je budúcnosť
- Comet.ml chce zmeniť spôsob interakcie so strojovým učením Comet.ml chce zmeniť spôsob interakcie so strojovým učením
- Google Zjednodušuje strojové učenie s SQL Google Zjednodušuje strojové učenie s SQL
Očakávanie magického výsledku od ML môže byť podľa Dunninga „ohromujúce“. "Stále musíte premýšľať o tom, na čom skutočne záleží. Stále musíte zbierať údaje a stále musíte riadiť zavádzanie systému, " uviedol. „A tieto pragmatické, logistické skutočnosti stále dominujú problému.“
Dunning nesúhlasí s niektorými vznešenými marketingmi, ktoré ponúkajú niektoré softvérové spoločnosti. „Žiadna z magických vecí AI to nerieši, “ povedal. Podniky by mali zvážiť. Podľa neho je jedným zo spôsobov, ako zabezpečiť osvedčené postupy, najatie konkrétneho obchodného analytika AI, aby ste mohli mať vo vašej spoločnosti niekoho, kto identifikuje aspekty vášho podnikania, ktoré je možné vylepšiť pomocou technológie ML.
„V niektorých prípadoch by to mohlo byť rozšírenie vášho podnikania o nové príležitosti, “ vysvetlil Dunning. Vo väčšine prípadov však zdôraznil, že najímanie niekoho na pochopenie potrieb vašej organizácie a použitie týchto informácií na usmernenie vašej stratégie ML je rozhodujúce.
