Koneoppimisen yritysopas

Koneoppimisesta (ML) on tullut monia näkökohtia suosituimmasta liiketoimintateknologiasta luonnollisesta kielenkäsittelystä (NLP) syvälle oppimiseen ja sen jälkeen. ML on vain yksi tekijä tekoälyn (AI) vallankumouksessa, mutta se on tärkeä tekijä. ML-algoritmit ovat elintärkeä älykkyyskerros, joka leivotaan käyttämiimme tuotteisiin, ja näemme sen tulevaisuudessa hiipyvän useampiin käyttötapauksiin.

ML-algoritmit on upotettu suuren osan tekniikkaamme, jota käytämme päivittäin. ML-innovaatiot, jotka kattavat tietokoneen näkemyksen, syvän oppimisen, NLP: n ja muut, ovat osa suurempaa vallankumousta käytännön AI: n ympärillä. Ne eivät ole itsenäisiä robotteja tai tuntevia olentoja, vaan sovelluksiin, ohjelmistoihin ja pilvipalveluihin integroitu älykkyystyyppi, joka yhdistää AI-algoritmeja ja Big Data -pinta-alaa.

Suuntaus on entistä selvempi liiketoiminnassa. ML: tä ei enää käytetä vain erikoistuneisiin tutkimusprojekteihin, joita ryhmä data-tutkijoita ryhtyy. Yritykset hyödyntävät nyt ML: ää saadakseen toimivia yritystietoja (BI) ja ennustavaa analytiikkaa jatkuvasti kasvavista tietomääristä. Siksi on tärkeämpää kuin koskaan tietää paitsi, mikä on ML, myös oppia tehokkaimpia strategioita, kuinka käyttää sitä konkreettisesti.

Ted Dunning, Ph.D., on MapR: n pääsovellusarkkitehti, joka tarjoaa Big Data -jakelu- ja tiedonhallintatyökaluja yrityksille. Hän on myös kirjoittanut kaksi kirjaa siitä, mitä hän viittaa "käytännön koneoppimiseen". Piilaakson veteraani on työskennellyt kentällä vuosikymmenien ajan, katsellen AI-tekniikoita ja tilaa kehittyvän pisteeseen, jossa kognitiivisen laskennan edistyminen ja avoimen lähdekoodin työkalujen saatavuus ovat todella nostaneet ML: n valtavirtaan. Dunning puhui PCMag: lle katkaistakseen žargonin, selittää, mitä ML oikeasti tarkoittaa, ja levittää joitain viisauksia ja parhaita käytäntöjä siitä, kuinka yritykset voivat hyödyntää ML-sijoituksiaan.

Käytännöllinen määritelmä

ML: n suora määritelmä antaa järjestelmille kyvyn toimia ja iteratiivisesti oppia ja tehdä säätöjä ilman erillistä ohjelmointia. Dunning sanoi, että ML on tilastoala, mutta haara, joka on erittäin käytännöllinen. Hän painotti, että reaalimaailman liiketoimintaympäristössä sinun on oltava käytännöllinen ja realistinen soveltaessasi sitä. ML: n ydintehtävä on luoda liiketoimintaprosessi, joka on toistettava, luotettava ja suoritettava.

"Koneoppiminen ei tarkoita sitä, että katsotaan taaksepäin tieteelliseen tietoon ja yritetään päättää, mitkä johtopäätökset ovat kannattavia", Dunning sanoi. "Kyse on odottamisesta ja kysymisestä, mitä voimme ennustaa tulevaisuudesta ja mitä tapahtuu erilaisissa tilanteissa. Kun kyse on tietojen tekemisestä kaupassa, puhumme hyvin rajallisista tilanteista, joissa haluat toistettavuuden."

Kuvan luotto: Todd Jaquith osoitteessa Futurism.com. Napsauta laajentaaksesi koko infografian.

Syvä oppiminen vs. halpa oppiminen

Voit hajottaa tuon perusidean moniin eri aloihin ML: n sisällä, mutta Dunning huomautti kahdesta etenkin spektrin kummastakin päästä: syväoppimisesta ja siitä mitä hän kutsuu "halpoksi oppimiseksi". Syvä oppiminen on monimutkaisempi käsite.

"Halusimme koneoppimisen syventyvän. Se on termin alkuperä", Dunning sanoi. "Viimeisen 10 tai 15 vuoden aikana on kehitetty tekniikoita, jotka tosiasiallisesti tekevät sen. Aikaisemmin tarvittiin paljon suunnittelutyötä, jotta tietojen väliset suhteet olisivat näkyvissä algoritmeille, jotka eivät pitkään aikaan olleet yhtä fiksuja kuin me. Halusit heidän olevan. Sinun oli annettava algoritmit tämä maukas data levylle, joten meillä oli tapana koodata kaikki nämä ominaisuudet, joita järjestelmät nyt tekevät yksinään."

Syvässä oppimisessa on suuri osa hermoverkkojen ympärillä olevasta innovaatiosta. Siinä yhdistyvät hienostuneet tekniikat, kuten tietokonenäkymä ja NLP, "syvemmän" oppimisen kerroksiin, jotka ovat johtaneet valtavaan edistymiseen esimerkiksi kuvan ja tekstin tunnistuksessa. Tämä on hienoa monimutkaiselle mallinnukselle, mutta voi olla ylenmääräistä yksinkertaisemmille, päivittäisille liiketoimintakäytöille, jotka voivat luottaa vakiintuneisiin ML-kehyksiin ja tekniikoihin, joilla on paljon vähemmän parametreja.

Halpa oppiminen, Dunning selitti, tarkoittaa yksinkertaista, tehokasta, kokeiltua tekniikkaa, jossa yritysten ei tarvitse investoida kalliita resursseja pyörän keksimiseen uudelleen.

"Laskennassa puhumme paljon alhaalla olevista hedelmistä. Tietojen saatavuus ja laskentakapasiteetin massiivinen kasvu tarkoittaa, että olemme laskeneet koko puun", hän selitti. "Yksinkertainen koneoppiminen ei ole enää vain tutkijoille."

Kuinka halpa oppiminen toimii?

Perusmallin ML-algoritmit voivat tunnistaa korrelaatiot ja antaa suosituksia tai tehdä kokemuksista kontekstuaalisempia ja yksilöllisempiä. Dunning kertoi, että melkein kaikilla osa-alueilla on mahdollisuus, kuinka vuorovaikutuksessa tietokoneiden kanssa he voivat käyttää halpaa oppimista yksinkertaisesti asioiden parantamiseksi.

Yksi esimerkki käytännössä tapahtuvasta edullisesta oppimisesta on petosten havaitseminen. Pankit ja kauppiaat käsittelevät laajalle levinneitä petoksia, mutta ne ovat usein hajanaisia ​​ja koskevat riittävän alhaisia ​​arvoja, joita ei ilmoiteta. Dunning selitti, että käyttämällä halpaa oppimisalgoritmia (eli olemassa olevaa ML-testiä, joka on ohjelmoitu tähän tiettyyn tehtävään), kauppiaat voivat helpommin tunnistaa yleiset kompromissipisteet, jotka asettavat käyttäjät vaaraan, ja tarttua petoksiin, joita muuten ei olisi. näkyvissä.

"Oletetaan, että haluat selvittää, mitkä kauppiaat näyttävät vuotavan tietoja, jotka johtavat petoksiin. Voit käyttää G ² -testiä selvittääksesi, mitkä kauppiaat ovat yliedustettuina petosten uhrien tapahtumahistoriassa verrattuna kuluttajiin ilman petoksia", Dunning sanoi. "Tämä vaikuttaa liian yksinkertaiselta, jotta sitä voidaan kutsua koneoppimiseksi, mutta se löytää tosielämässä pahoja poikia. Tämän tekniikan laajennuksia voidaan käyttää laajentamaan jonkin verran edistyneempiä tekniikoita, jotka antavat yksinkertaisemmille oppimisalgoritmeille menestyä, jos ne saattavat epäonnistua muuten."

Halpaa oppimista voidaan käyttää monin eri tavoin, joten Dunning antoi uuden esimerkin siitä, kuinka verkkoyritys voi käyttää sitä. Tässä esimerkissä hän selitti, kuinka olemassa oleva ML-algoritmi voi ratkaista yksinkertaisen kommenttijärjestysongelman.

"Oletetaan, että sinulla on artikkeli, jossa on useita kommentteja siitä. Mihin järjestykseen ne tulisi sijoittaa? Entäkö kommenttien tilaaminen sen mukaan, kuinka mielenkiintoisia ihmiset ovat? Voit laskea kuinka monta kertaa ihmiset lukevat kommentin ja kuinka monta kertaa he äänestivät siitä, mutta tarvitaan vielä vähän taikuutta ", Dunning sanoi.

"Yhden lukijan yksi äänestys ei todennäköisesti ole parempi kuin kahdeksan lukumäärä kymmenestä lukijasta", hän selitti. "Vielä pahempaa, jos laitat varhaiset voittajat päälle, muut kommentit eivät koskaan näe päivänvaloa, joten et koskaan oppia niistä. Pieni koneoppiminen, nimeltään Thompson-näytteenotto, voi ratkaista tämän tavalla, joka kerää tietoja uusista kommentista ja missä sijoitukset ovat epävarmoja, mutta yleensä tilataan ne tavalla, joka antaa käyttäjille parhaan kokemuksen."

Dunning esitti myös joukon parhaita käytäntöjä, kuinka yrityksesi voi hyödyntää ML: ää. Tiedot siitä, kuinka logistiikka, data ja erilaisten algoritmien ja työkalujen arsenaali vaikuttavat menestyvään liiketoimintastrategiaan, katso 7 vinkkejä koneoppimismenestystarinaan.

2018 ja sen jälkeen: missä ML on nyt

Ehkä tämä ei ole sinulle yllätys, mutta Big Data ja siihen liittyvä tietokantatila kasvaa nopeasti sanoen. San Josessa pidetyssä BigData SV 2018 -konferenssissa teknologia-analyytikkoyrityksen Wikibon Researchin pääjohtaja Peter Burris esitteli havainnot, joiden mukaan globaalin Big Data -teollisuuden tuottojen arvioidaan kasvavan 35 miljardista dollarista vuonna 2017 42 miljardiin dollariin vuonna 2018. Lisäksi Burris ennustaa liikevaihdon olevan 103 miljardia dollaria vuoteen 2027 mennessä.

Kaikkien näiden tietojen tehokkaaseen käsittelemiseen älykkäät ML-ratkaisut tulevat entistä tarpeellisemmiksi kuin nyt. On selvää, että ML on jatkossakin kuuma aihe lähitulevaisuudessa. Kun puhuimme viimeksi MapR: n Dunnen kanssa vuosi sitten, hän painotti käyttämään laskettua ja realistista lähestymistapaa ML: ään liiketoiminnan suhteen. Mutta vuosi on pitkä aika, kun puhut tekniikasta. Olemme hiljattain kiinni Dunningista ja hänen mukaansa asiat ovat pysyneet suunnilleen samanlaisina viimeisestä keskustelustamme lähtien. "Tällä korkeammalla tasolla ei paljon ole muuttunut", Dunning sanoi. "Perusidea todisteista päättämiseen ei todellakaan ole uutisia viime vuonna, mutta osa työkaluista on muuttunut."

Tätä silmällä pitäen Dunning sanoi myös, että kentällä on enemmän pelaajia kuin vain vuosi sitten, mutta se ei ole välttämättä hyvä asia. "Yksi tapahtuma on se, että yhä useampia myyjiä, jotka puhuvat" maagisesta "koneoppimisesta, on laittaa siihen ikävä sana", hän selitti. "On olemassa suuri väärinkäsitys, että voit vain heittää tietosi tuotteeseen ja saada siitä kauniita oivalluksia."

• Miksi koneoppiminen on tulevaisuutta Miksi koneoppiminen on tulevaisuutta
• Comet.ml haluaa muuttaa tapaa, jolla olemme vuorovaikutuksessa koneoppimisen kanssa Comet.ml haluaa muuttaa, miten olemme vuorovaikutuksessa koneoppimisen kanssa
• Google yksinkertaistaa koneoppimista SQL: n avulla Google yksinkertaistaa koneoppimista SQL: n avulla

Dunningin mukaan maagisen tuloksen odottaminen ML: ltä voi olla "alirakeuttavaa". "Sinun täytyy vielä miettiä, mikä ongelma tosiasiallisesti on tärkeä. Sinun on silti kerättävä tietoja ja jouduttava hallitsemaan järjestelmän käyttöönottoa", hän sanoi. "Ja nämä käytännölliset, logistiset todellisuudet hallitsevat edelleen ongelmaa."

Dunning kiistää joidenkin ohjelmistoyritysten tarjoamia yleviä markkinointeja. "Mikään maaginen AI-tyyppinen juttu ei edes osoita sitä", hän sanoi. Hänellä on pala neuvoja yrityksille. Hänen mukaansa yksi tapa varmistaa hyvät käytännöt on palkata erityinen AI-liiketoimintaanalyytikko, jotta voit saada jonkun yrityksessäsi tunnistamaan liiketoiminnan näkökohdat, joita voidaan parantaa ML-tekniikalla.

"Joissakin tapauksissa se voi olla yrityksesi laajennus uusiin mahdollisuuksiin", Dunning selitti. Mutta useimmissa tapauksissa hän kuitenkin korosti, että on erittäin tärkeää palkata joku ymmärtämään organisaatiosi tarpeita ja käyttämään näitä tietoja ML-strategian ohjaamiseen.