Panduan perniagaan untuk pembelajaran mesin

Dari pemprosesan bahasa semulajadi (NLP) hingga pembelajaran yang mendalam dan seterusnya, pembelajaran mesin (ML) telah memasuki banyak aspek teknologi perniagaan yang paling popular. ML adalah salah satu faktor dalam revolusi perisikan buatan (AI), tetapi ia penting. Algoritma ML adalah lapisan perisikan penting yang dibakar ke dalam produk yang kami gunakan, dan kami hanya akan melihat ia menjalar ke dalam kes penggunaan yang lebih banyak pada masa akan datang.

Algoritma ML tertanam dalam fabrik kebanyakan teknologi yang kami gunakan setiap hari. Inovasi ML yang meliputi penglihatan komputer, pembelajaran mendalam, NLP, dan seterusnya adalah sebahagian daripada revolusi yang lebih besar di sekitar AI praktikal. Mereka bukan robot autonomi atau makhluk hidup tetapi sejenis perisikan yang disatukan ke aplikasi, perisian, dan perkhidmatan awan kami yang menggabungkan algoritma AI dan Big Data di bawah permukaan.

Trend ini lebih terperinci dalam perniagaan. ML tidak lagi semata-mata digunakan untuk projek-projek penyelidikan khusus yang dijalankan oleh pasukan saintis data. Perusahaan kini menggunakan ML untuk mendapatkan risikan perniagaan (BI) dan analitik ramalan dari jumlah data yang semakin meningkat. Itulah sebabnya ia lebih penting daripada sebelumnya untuk tidak hanya mengetahui apa ML, tetapi juga untuk mempelajari strategi yang paling berkesan untuk menggunakannya untuk nilai ketara.

Ted Dunning, Ph.D., adalah Ketua Aplikasi Arkitek di MapR, yang menyediakan pengedaran Big Data dan alat pengurusan data untuk perusahaan, dan juga telah menulis dua buku tentang apa yang dia sebut sebagai "Pembelajaran Mesin Praktis." Veteran Silicon Valley telah bekerja di lapangan selama beberapa dekad, menonton teknik AI dan ruang berubah menjadi titik di mana kemajuan dalam pengkomputeran kognitif dan ketersediaan alat sumber terbuka telah benar-benar membawa ML ke arus utama. Dunning bercakap kepada PCMag untuk memotong jargon, menerangkan maksud ML sebenarnya, dan memberikan beberapa kebijaksanaan dan amalan terbaik mengenai bagaimana perniagaan dapat memanfaatkan sepenuhnya pelaburan ML mereka.

Definisi Praktikal

Takrif lurus ML memberikan sistem keupayaan bertindak dan belajar secara teratur dan membuat penyelarasan, tanpa pengaturcaraan yang jelas. Dunning berkata ML adalah cawangan statistik tetapi cawangan yang sangat praktikal. Beliau menegaskan bahawa, dalam konteks perniagaan dunia sebenar, anda perlu pragmatik dan realistik dengan cara anda menggunakannya. Tugas utama ML adalah untuk mencipta proses perniagaan yang dapat diulang, dapat diandalkan, dan dapat dieksekusi.

"Pembelajaran mesin bukan tentang melihat ke belakang pada data saintifik dan cuba menentukan kesimpulan apa yang dapat dilakukan, " kata Dunning. "Ia adalah tentang melihat ke hadapan, dan bertanya apa yang boleh kita ramalkan tentang masa depan dan apa yang akan berlaku dalam pelbagai senario. Apabila ia datang untuk melakukan perniagaan dengan data ini, kita bercakap mengenai situasi yang sangat terhad di mana anda mahu dapat diguna semula."

Kredit gambar: Todd Jaquith di Futurism.com. Klik untuk mengembangkan infographic penuh.

Pembelajaran Deep vs. Pembelajaran Murah

Anda boleh merosakkan idea asas itu ke dalam beberapa bidang yang berbeza dalam ML, tetapi Dunning menunjuk kepada dua khususnya pada kedua-dua hujung spektrum: pembelajaran mendalam dan apa yang dia sebut "pembelajaran murah". Pembelajaran yang mendalam adalah konsep yang lebih rumit.

"Kami mahukan pembelajaran mesin semakin mendalam, itulah asal usulnya, " kata Dunning. "Sepanjang 10 atau 15 tahun yang lalu, teknik telah dibangunkan yang benar-benar melakukannya, digunakan untuk memerlukan banyak kerja-kerja kejuruteraan untuk membuat hubungan dalam data yang dapat dilihat oleh algoritma, yang, dalam masa yang lama, tidak sepatutnya kita mahu menjadikannya sebagai algoritma yang membolehkan data-data ini kelihatan di atas plat, jadi kami menggunakan kod-kod untuk semua ciri-ciri yang sistem ini lakukan sendiri."

Pembelajaran yang mendalam adalah di mana banyak inovasi di sekitar rangkaian saraf terletak. Ia menggabungkan teknik-teknik canggih seperti penglihatan komputer dan NLP ke dalam lapisan "pembelajaran yang lebih mendalam" yang telah membawa kepada langkah besar dalam bidang seperti pengiktirafan imej dan teks. Ini bagus untuk pemodelan yang rumit tetapi boleh menjadi berlebihan untuk kegunaan perniagaan yang lebih mudah, setiap hari yang boleh bergantung pada rangka kerja dan teknik ML yang telah ditetapkan dengan parameter yang jauh lebih sedikit.

Pembelajaran murah, Dunning menjelaskan, teknik teknik yang mudah, berkesan, dicuba dan diuji di mana perniagaan tidak perlu melabur sumber mahal untuk mencipta semula roda.

"Dalam pengkomputeran, kita banyak bercakap mengenai buah gulung rendah. Ketersediaan data dan peningkatan besar dalam kapasiti pengkomputeran bermakna kita telah menurunkan seluruh pokok, " jelasnya. "Pembelajaran mesin mudah bukan hanya untuk saintis data lagi."

Bagaimana Kerja Pembelajaran Murah?

Algoritma asas ML boleh mengenal pasti korelasi dan membuat cadangan, atau membuat pengalaman lebih kontekstual dan diperibadikan. Dunning berkata terdapat peluang dalam setiap aspek bagaimana kita berinteraksi dengan komputer untuk mereka menggunakan pembelajaran yang murah untuk membuat kerja lebih baik.

Satu contoh pembelajaran murah dalam amalan adalah dalam pengesanan penipuan. Bank dan peniaga berurusan dengan penipuan yang meluas, tetapi ia sering disebarkan dan mengenai nilai yang cukup rendah yang tidak dilaporkan. Dunning menerangkan bahawa dengan menggunakan algoritma pembelajaran murah (iaitu ujian ML yang sedia ada yang diprogramkan untuk tugas khusus ini), pedagang dapat lebih mudah mengenal pasti titik kompromi yang umum yang menyebabkan pengguna berisiko dan menangkap pola penipuan yang tidak akan boleh dilihat.

"Jika anda ingin mencari peniaga mana yang seolah-olah membocorkan data yang membawa kepada penipuan, anda boleh menggunakan ujian G ² untuk mencari peniaga mana yang lebih terwakili dalam sejarah urus niaga penipuan berbanding pengguna tanpa penipuan, " Dunning kata. "Ini seolah-olah terlalu mudah dipanggil mesin pembelajaran, tetapi ia mendapati orang jahat dalam kehidupan sebenar. Sambungan teknik ini boleh digunakan untuk menambah teknik-teknik agak lebih maju yang membolehkan algoritma pembelajaran mudah untuk berjaya di mana mereka mungkin gagal sebaliknya."

Pembelajaran murah boleh digunakan dalam pelbagai cara yang berbeza, jadi Dunning memberi contoh lain bagaimana perniagaan dalam talian mungkin menggunakannya. Dalam contoh ini, beliau menjelaskan bagaimana algoritma ML sedia ada dapat menyelesaikan masalah pengulasian yang mudah.

"Jika anda mempunyai artikel dengan beberapa komen di atasnya, apakah pesanan yang harus diletakkan di dalamnya? Bagaimana pula dengan memerintahkan komen-komen yang sesuai dengan pendapat orang-orang yang menarik? Anda boleh mengira berapa kali orang membaca ulasan tersebut, dan bagaimana banyak kali mereka menaikkannya, tetapi ada sedikit sihir yang diperlukan, "kata Dunning.

"Satu upvote dari satu pembaca mungkin tidak lebih baik dari lapan upvotes daripada 10 pembaca, " jelasnya. "Lebih buruk lagi, jika anda meletakkan pemenang awal di atas, komen-komen lain tidak pernah melihat cahaya hari dan jadi anda tidak pernah belajar mengenainya.Beberapa pembelajaran komputer yang dipanggil Thompson sampling dapat menyelesaikannya dengan cara mengumpulkan data pada komen baru dan di mana peringkat tidak pasti, tetapi secara amnya memerintahkan mereka dengan cara yang memberikan pengguna pengalaman terbaik."

Dunning juga meletakkan satu set amalan terbaik untuk bagaimana perniagaan anda dapat memanfaatkan ML. Untuk pecahan bagaimana logistik, data, dan arsenal algoritma dan alat yang berbeza menjadi faktor strategi perniagaan yang berjaya, lihat kisah 7 Tips Kejayaan Pembelajaran Mesin kami.

2018 dan Beyond: Dimana ML Sekarang

Mungkin ini tidak mengejutkan anda, tetapi Big Data dan ruang pangkalan data yang berkaitan berkembang pesat untuk sedikit sebanyak. Semasa persidangan BigData SV 2018 di San Jose, Peter Burris, Ketua Pegawai Penyelidik penganalisis teknologi Wikibon Research, membentangkan hasil yang menunjukkan bahawa hasil daripada industri Big Data global dianggarkan meningkat dari $ 35 bilion pada 2017 kepada $ 42 bilion pada 2018. Pada Di atas itu, Burris mengunjurkan pendapatan mencapai $ 103 miliar pada tahun 2027.

Untuk berkesan mengendalikan semua data ini, penyelesaian ML pintar akan menjadi lebih diperlukan daripada sekarang. Ia jelas bahawa ML akan terus menjadi topik hangat untuk masa depan yang boleh dijangka. Ketika kami terakhir bercakap dengan DunR MapR setahun yang lalu, beliau menekankan mengambil pendekatan yang realistis dan dihitung untuk ML untuk perniagaan. Tetapi setahun adalah masa yang lama apabila anda bercakap tentang teknologi. Kami baru-baru ini mengejar Dunning dan, menurut beliau, perkara-perkara telah tinggal kira-kira sejak perbincangan terakhir kami. "Pada peringkat yang lebih tinggi, tidak banyak yang berubah, " kata Dunning. "Idea asas pemikiran dari bukti pastinya bukan berita sepanjang tahun lalu, tetapi beberapa perkakas telah berubah."

Dengan itu, Dunning juga mengatakan bahawa terdapat lebih ramai pemain di lapangan daripada hanya setahun yang lalu, tetapi fakta itu tidak semestinya sesuatu yang baik. "Satu perkara yang berlaku ialah kemunculan lebih ramai vendor yang bercakap tentang pembelajaran mesin 'ajaib', untuk meletakkan perkataan jahat di atasnya, " jelasnya. "Terdapat salah tanggapan besar bahawa anda hanya boleh membuang data anda ke dalam produk dan mendapatkan beberapa pandangan yang indah daripada itu."

• Mengapa Pembelajaran Mesin Adakah Masa Depan Mengapa Pembelajaran Mesin Adakah Masa Depan
• Comet.ml Mahu Tukar Bagaimana Kami Berinteraksi Dengan Pembelajaran Mesin Comet.ml Mahu Tukar Bagaimana Kita Berinteraksi Dengan Pembelajaran Mesin
• Google Memudahkan Pembelajaran Mesin Dengan SQL Google Memudahkan Pembelajaran Mesin Dengan SQL

Mengharapkan hasil ajaib dari ML boleh menjadi "underwhelming, " menurut Dunning. "Anda masih perlu memikirkan masalah apa sebenarnya. Anda masih perlu mengumpul data, dan anda masih perlu menguruskan penggunaan sistem anda, " katanya. "Dan realiti logistik pragmatik ini masih menguasai masalah ini."

Dunning mengambil isu dengan beberapa pemasaran yang tinggi yang ditawarkan oleh beberapa syarikat perisian. "Tiada satu pun dari barang-barang AI yang ajaib walaupun alamat itu, " katanya. Dia mempunyai nasihat untuk perniagaan untuk dipertimbangkan. Menurut beliau, satu cara untuk memastikan amalan terbaik adalah menyewa penganalisis perniagaan AI tertentu supaya dapat mempunyai seseorang dalam syarikat anda mengenal pasti aspek perniagaan anda yang boleh diperbaiki menggunakan teknologi ML.

"Dalam beberapa kes, itu boleh menjadi lanjutan perniagaan anda untuk peluang baru, " jelas Dunning. Tetapi dalam kebanyakan kes, bagaimanapun, beliau menekankan bahawa menyewa seseorang untuk memahami keperluan organisasi anda dan menggunakan maklumat tersebut untuk membimbing strategi ML anda adalah penting.