Ang gabay sa negosyo sa pag-aaral ng makina

Mula sa natural na pagproseso ng wika (NLP) hanggang sa malalim na pag-aaral at higit pa, ang pag-aaral ng makina (ML) ay pumasok sa maraming aspeto ng pinakasikat na mga teknolohiya sa negosyo. Ang ML ay isa lamang kadahilanan sa rebolusyong artipisyal (AI), ngunit ito ay isang mahalagang. Ang mga algorithm ng ML ay isang mahalagang layer ng katalinuhan na inihurnong sa mga produktong ginagamit namin, at makikita lamang natin ito na gumagapang sa mas maraming mga kaso ng paggamit sa hinaharap.

Ang mga algorithm ng ML ay naka-embed sa tela ng maraming teknolohiya na ginagamit namin araw-araw. Ang mga pagbabago sa ML na sumasaklaw sa paningin ng computer, malalim na pag-aaral, NLP, at lampas ay bahagi ng isang mas malaking rebolusyon sa paligid ng praktikal na AI. Hindi sila mga autonomous na robot o sentient na mga nilalang ngunit isang uri ng intelihente na isinama sa aming mga app, software, at mga serbisyo sa ulap na pinagsasama ang mga algorithm ng AI at Big Data sa ilalim ng ibabaw.

Ang kalakaran ay mas malinaw sa negosyo. Ang ML ay hindi na ginagamit lamang para sa mga dalubhasang proyekto sa pananaliksik na isinasagawa ng isang pangkat ng mga siyentipiko ng data. Gumagamit na ngayon ang mga negosyo ng ML upang makakuha ng aksyon na katalinuhan sa negosyo (BI) at mahuhulaan na analytics mula sa patuloy na pagtaas ng halaga ng data. Iyon ang dahilan kung bakit ito ay mas mahalaga kaysa dati na hindi lamang malaman kung ano ang ML, ngunit din upang malaman ang pinaka-epektibong mga diskarte sa kung paano gamitin ito para sa nasasabing halaga.

Si Ted Dunning, Ph.D., ay ang Punong Arkitekto ng Application sa MapR, na nagbibigay ng pamamahagi ng Big Data at mga tool sa pamamahala ng data para sa mga negosyo, at may kasamang may dalawang akda din sa tinutukoy niya bilang "Practical Machine Learning." Ang beterano ng Silicon Valley ay nagtrabaho sa bukid sa loob ng mga dekada, na pinapanood ang mga pamamaraan ng AI at ang puwang na umuusbong hanggang sa punto kung saan ang mga pagsulong sa cognitive computing at ang pagkakaroon ng mga open-source tool ay tunay na nagdala ng ML sa mainstream. Kinausap ni Dunning ang PCMag na gupitin ang jargon, ipaliwanag kung ano talaga ang ibig sabihin ng ML, at ibigay ang ilang karunungan at pinakamahusay na kasanayan sa kung paano masusulit ng mga negosyo ang kanilang pamumuhunan sa ML.

Isang Praktikal na Kahulugan

Ang tuwid na kahulugan ng ML ay nagbibigay ng mga system ng kakayahang kumilos at upang iteratively malaman at gumawa ng mga pagsasaayos, nang walang malinaw na programming. Sinabi ni Dunning na ang ML ay isang sangay ng istatistika ngunit isang sangay na napaka praktikal. Binigyang diin niya na, sa isang konteksto ng real-world na negosyo, kailangan mong maging pragmatiko at makatotohanang sa kung paano mo mailapat ito. Ang pangunahing gawain ng ML ay upang lumikha ng isang proseso ng negosyo na maaaring maulit, maaasahan, at maipapatupad.

"Ang pag-aaral ng makina ay hindi tungkol sa pagtingin sa paatras sa agham na data at sinusubukan na magpasya kung anong mga konklusyon ang mabubuhay, " sinabi ni Dunning. "Tungkol ito sa pag-asa, at tanungin kung ano ang maaari naming mahulaan tungkol sa hinaharap at kung ano ang mangyayari sa iba't ibang mga sitwasyon. Kapag napunta sa paggawa ng negosyo gamit ang data na ito, pinag-uusapan namin ang tungkol sa limitadong mga sitwasyon kung saan mo nais ang muling pagdadagdag."

Credit ng larawan: si Todd Jaquith sa Futurism.com. Mag-click upang mapalawak ang buong infographic.

Malalim na Pag-aaral kumpara sa Murang Pagkatuto

Maaari mong masira ang pangunahing ideya sa isang iba't ibang mga patlang sa loob ng ML, ngunit itinuro ni Dunning ang dalawa sa partikular sa alinman sa dulo ng spectrum: malalim na pag-aaral at tinatawag niya na "murang pag-aaral." Ang malalim na pag-aaral ay ang mas kumplikadong konsepto.

"Nais namin na ang pag-aaral ng makina upang lumalim nang malalim. Iyon ang pinanggalingan ng term, " sinabi ni Dunning. "Sa nakalipas na 10 o 15 taon, ang mga pamamaraan ay binuo na aktwal na gawin ito na ginamit upang mangailangan ng maraming gawaing inhinyeriya upang makagawa ng mga relasyon sa data na nakikita sa mga algorithm, na, sa loob ng mahabang panahon, ay hindi matalino tulad namin nais ang mga ito. Kailangan mong i-kamay ang mga algorithm na maaaring mailabas ang data na ito sa isang plato, kaya ginamit namin upang hand-code ang lahat ng mga tampok na ito na ginagawa ngayon ng mga system. "

Ang malalim na pag-aaral ay kung saan ang karamihan ng pagbabago sa paligid ng mga neural network ay namamalagi. Pinagsasama nito ang mga sopistikadong pamamaraan tulad ng paningin ng computer at NLP sa mga layer ng "mas malalim" na pag-aaral na humantong sa malaking lakad sa mga lugar tulad ng imahe at pagkilala sa teksto. Magaling ito para sa kumplikadong pagmomolde ngunit maaaring maging labis para sa mas simple, pang-araw-araw na mga gamit sa negosyo na maaaring umasa sa naitatag na mga frameworks at diskarteng ML na may mas kaunting mga parameter.

Ang murang pag-aaral, ipinaliwanag ni Dunning, ay nangangahulugan ng simple, epektibo, sinubukan at nasubok na mga diskarte kung saan ang mga negosyo ay hindi kailangang mamuhunan ng mamahaling mga mapagkukunan upang mabuhay muli ang gulong.

"Sa computing, pinag-uusapan namin ang maraming tungkol sa mababang prutas na nakabitin. Ang pagkakaroon ng data at ang napakalaking pagtaas ng kapasidad ng computational ay nangangahulugang binabaan namin ang buong puno, " paliwanag niya. "Ang simpleng pag-aaral ng makina ay hindi lamang para sa mga siyentipiko ng data."

Paano Gumagana ang Murang Pagkatuto sa Pagkatuto?

Ang mga pangunahing ML algorithm ay maaaring matukoy ang mga ugnayan at gumawa ng mga rekomendasyon, o gumawa ng mga karanasan na mas kontekstwalwal at isinapersonal. Sinabi ni Dunning na mayroong isang pagkakataon sa halos lahat ng aspeto kung paano kami nakikipag-ugnay sa mga computer para sa kanila na gumamit ng murang pag-aaral upang gawing mas mahusay ang mga bagay.

Isang halimbawa ng murang pag-aaral sa kasanayan ay ang pag-detect ng pandaraya. Ang mga bangko at negosyante ay nakikitungo sa laganap na pandaraya, ngunit madalas itong nagkakalat at tungkol sa mababang halaga na hindi ito naiulat. Ipinaliwanag ni Dunning na sa pamamagitan ng paggamit ng isang murang algorithm ng pag-aaral (iyon ay, isang umiiral na pagsubok sa ML na na-program para sa tiyak na gawain na ito), mas madaling matukoy ng mga mangangalakal ang mga karaniwang punto ng kompromiso na naglalagay sa mga gumagamit ng panganib at mahuli ang mga pattern ng pandaraya na kung hindi man nakikita.

"Ipagpalagay na nais mong hanapin kung aling mga mangangalakal ang tila data na humahantong sa pandaraya. Maaari kang gumamit ng isang pagsubok na G ² upang mahanap lamang kung aling mga mangangalakal ang labis na kinakatawan sa mga kasaysayan ng transaksyon ng mga biktima ng pandaraya laban sa mga mamimili nang walang pandaraya, " Dunning sabi. "Ito ay tila napaka-simple na tinatawag na pag-aaral ng makina, ngunit natagpuan ang mga masasamang tao sa totoong buhay. Ang mga extension ng pamamaraang ito ay maaaring magamit upang dagdagan ang medyo mas advanced na pamamaraan na pinapayagan ang mas simpleng mga algorithm ng pagkatuto upang magtagumpay kung saan maaari silang mabigo kung hindi."

Ang murang pag-aaral ay maaaring magamit sa lahat ng uri ng iba't ibang mga paraan, kaya nagbigay si Dunning ng isa pang halimbawa kung paano magamit ito ng isang online na negosyo. Sa pagkakataong ito, ipinaliwanag niya kung paano malulutas ng isang umiiral na algorithm ng ML ang isang simpleng problema sa pagraranggo.

"Ipagpalagay na mayroon kang isang artikulo na may maraming mga komento tungkol dito. Ano ang dapat na mailagay sa kanila? Paano ang tungkol sa pag-order ng mga komento ayon sa kung gaano kamahal ang mga tao? Maaari mong mabilang ang bilang ng mga beses na basahin ng mga tao ang komento, at kung paano ang maraming beses na na-upvote nila ito, ngunit mayroong kaunting magic na kailangan pa, "sinabi ni Dunning.

"Ang isang upvote mula sa isang mambabasa marahil ay hindi talaga mas mahusay kaysa sa walong mga upvotes sa 10 mga mambabasa, " ipinaliwanag niya. "Mas masahol pa, kung inilalagay mo sa itaas ang mga unang nanalo, ang iba pang mga puna ay hindi kailanman nakikita ang ilaw ng araw at kaya hindi mo na natutunan ang tungkol sa mga ito. Ang isang maliit na maliit na pag-aaral ng makina na tinatawag na Thompson sampling ay maaaring malutas ito sa isang paraan na nagtitipon ng data sa mga bagong komento at kung saan ang mga pagraranggo ay hindi sigurado, ngunit sa pangkalahatan ay iniutos ang mga ito sa isang paraan na nagbibigay sa mga gumagamit ng pinakamahusay na karanasan. "

Ang Dunning ay naglatag din ng isang hanay ng mga pinakamahusay na kasanayan para sa kung paano masusubukan ng iyong negosyo ang ML. Para sa isang pagkasira ng kung paano ang logistik, data, at isang arsenal ng iba't ibang mga algorithm at tool factor sa isang matagumpay na diskarte sa negosyo, suriin ang aming 7 Mga Tip para sa kwento ng Tagumpay ng Learning Learning.

2018 at Higit pa: Kung Saan ang ML Ngayon

Marahil ito ay hindi nakakagulat sa iyo, ngunit ang Big Data at nauugnay na puwang sa database ay mabilis na lumalaki upang masabi. Sa pagpupulong ng BigData SV 2018 sa San Jose, Peter Burris, Chief Research Officer ng tech analyst firm na Wikibon Research, na ipinakita ang mga natuklasan na nagpapahiwatig na ang kita mula sa pandaigdigang industriya ng Big Data ay tinatayang lumalaki mula sa $ 35 bilyon sa 2017 hanggang $ 42 bilyon sa 2018. Sa nangunguna rito, ang Burris ay nagtataya ng kita na umabot sa $ 103 bilyon sa taong 2027.

Upang mabisang hawakan ang lahat ng data na ito, ang mga matalinong solusyon sa ML ay magiging mas kinakailangan kaysa sa ngayon. Maliwanag na ang ML ay magpapatuloy na maging isang mainit na paksa para sa mahulaan na hinaharap. Nang huling nagsalita kami sa MapR's Dunning isang taon na ang nakalilipas, binigyang diin niya ang pagkuha ng isang kinakalkula, makatotohanang diskarte sa ML para sa negosyo. Ngunit ang isang taon ay isang mahabang panahon kapag nagsasalita ka tungkol sa tech. Kamakailan lamang ay naabutan namin si Dunning at, ayon sa kanya, ang mga bagay ay nanatili tungkol sa pareho mula sa aming huling pag-uusap. "Sa mas mataas na antas na iyon, hindi marami ang nagbago, " sinabi ni Dunning. "Ang pangunahing ideya ng pangangatuwiran mula sa katibayan ay tiyak na hindi balita sa nakaraang taon, ngunit ang ilan sa mga tooling ay nagbago."

Sa pag-iisip, sinabi din ni Dunning na maraming mga manlalaro sa larangan kaysa sa isang taon lamang ang nakararaan, ngunit ang katotohanang iyon ay hindi kinakailangan isang magandang bagay. "Isang bagay na nangyari ay ang paglitaw ng higit pa at higit pang mga nagtitinda na pinag-uusapan ang pag-aaral ng 'mahiwagang', upang maglagay ng isang bastos na salita dito, " paliwanag niya. "Mayroong malaking maling kuru-kuro na maaari mo lamang itapon ang iyong data sa isang produkto at makakuha ng ilang magagandang pananaw sa labas nito."

• Bakit Ang Pag-aaral ng Machine Ang Hinaharap Bakit Ang Pag-aaral ng Machine Ang Hinaharap
• Nais baguhin ang Comet.ml Paano Kami Nakikipag-ugnay Sa Pag-aaral ng Machine Comet.ml Nais Na Baguhin Paano Nakikipag-ugnay Sa Pag-aaral ng Machine
• Pinapasimple ng Google ang Pag-aaral ng Machine Sa SQL Ang Google Pinapagana ng Pag-aaral ng Machine Sa SQL

Inaasahan ang isang kahima-himala na resulta mula sa ML ay maaaring "underwhelming, " ayon kay Dunning. "Kailangan mo pa ring isipin kung ano ang talagang problema. Kailangan mo pa ring mangalap ng data, at kailangan mo pa ring pamahalaan ang paglawak ng iyong system, " aniya. "At ang mga pragmatikong, logistikong realidad na ito ay nangingibabaw pa rin sa problema."

Ang Dunning ay tumatagal ng isyu sa ilan sa matayog na marketing na inaalok ng ilang mga kumpanya ng software. "Wala sa mahiwagang AI uri ng mga bagay-bagay kahit na address na, " sinabi niya. Mayroon siyang isang piraso ng payo para isaalang-alang ng mga negosyo. Ayon sa kanya, isang paraan upang matiyak ang mabuting kasanayan ay ang pag-upa ng isang tukoy na analyst ng negosyo sa AI upang magkaroon ka ng isang tao sa iyong kumpanya na makilala ang mga aspeto ng iyong negosyo na maaaring mapabuti gamit ang teknolohiya sa ML.

"Sa ilang mga kaso, maaaring maging isang extension ng iyong negosyo sa mga bagong pagkakataon, " paliwanag ni Dunning. Ngunit sa karamihan ng mga kaso, gayunpaman, binigyang diin niya na ang pagkuha ng isang tao upang maunawaan ang mga pangangailangan ng iyong samahan at gamitin ang impormasyong iyon upang gabayan ang iyong diskarte sa ML ay mahalaga.