Машинное обучение в бизнесе

Введение

В последние месяцы машинное обучение стало одной из главных тем для обсуждения в технических и предпринимательских кругах. Уже сейчас машинное обучение широко применяется в бизнесе. Оно представляет собой приложение искусственного интеллекта, которое позволяет системам учиться и совершенствоваться без непосредственного участия программиста.
Актуальность данного исследования заключается в том, что машинное обучение является одной их самых обсуждаемых тем наряду с интернетом вещей, которые могут быть практически применены для решения очень и очень многих задач. Большинство людей слышали об алгоритмах машинного обучения и искусственном интеллекте. Но для практического применения данной технологии важно точно понимать, что может реализовывать машинное обучение. Машинное обучение извлекает значимую информацию из необработанных данных и обеспечивает точные результаты. Эта информация помогает в решении сложных задач с содержанием больших баз данных. Кроме того, алгоритмы машинного обучения учатся на данных и обрабатывают их. Такая технология позволяет находить различные идеи, не будучи изначально запрограммированной на это.
Машинное обучение развивается с большой скоростью и управляет новыми технологиями. Оно может помочь бизнесу повысить масштабируемость и настроить бизнес-процессы для компаний во всем мире.
В последнее время многие ведущие компании, такие как Google, Amazon и Microsoft, используют машинное обучение в бизнесе. И они запустили платформы облачного машинного обучения. Более того, мы используем машинное обучение в повседневной жизни, даже не зная этого. В качестве примера этого приложения можно привести технологию обнаружения спама почтовым провайдером.
Популярность машинного обучения объясняется тремя недавними ключевыми событиями. Они уменьшили входной барьер для применения машинного обучения в бизнесе для многих организаций разных отраслей экономики:
1) Появление больших данных и дешевых мест для их хранения. Развитие и появление новых облачных инструментов, а также стремительное снижение стоимости хранения данных с помощью различных сервисов означают, что сейчас в критически важных для бизнеса приложениях уже создаются и хранятся больше данных, чем когда-либо до этого;
2) Библиотеки с открытым исходным кодом. Доступные открытые библиотеки машинного обучения делают освоение передовых алгоритмов более доступным для широкой аудитории исследователей данных и начинающих разработчиков программного обеспечения.
3) Большая мощность. Разработка облачных платформ и специализированного оборудования, оптимизированного для машинного обучения, привело к тому, что приложения с машинным обучением могут работать быстрее и с меньшими затратами, это повышает их применимость для решения различных задач в бизнесе.
Все это представляет убедительные доказательства необходимости изучения машинного обучения, а также инвестирования в машинное обучение для бизнеса.


Основная часть

Понятие машинного обучения

Машинное обучение представляет собой технологию извлечения значимых данных из необработанных данных, чтобы быстро решать сложные бизнес-проблемы на базе больших данных. Алгоритмы машинного обучения запоминают каждую операцию и позволяют компьютерам находить различные решения задач, не будучи изначально запрограммированными для этого. Машинное обучение развивается очень быстрыми темпами и управляется только новыми вычислительными технологиями.
Сегодня машинное обучение имеет возможность вычислять огромное количество данных и собирать метрики, одновременно разрабатывая более умные алгоритмы, которые смогут выполнять сложные задачи.
Машинное обучение – это использование математических процедур (алгоритмов) для анализа данных. Цель состоит в том, чтобы обнаружить полезные закономерности (отношения или корреляции) между различными элементами данных. После того, как отношения были идентифицированы, они могут использоваться, чтобы сделать выводы о поведении новых возможных случаев. По сути, это аналогично тому, как люди учатся. Мы наблюдаем за тем, что происходит вокруг нас, и делаем выводы из нашего опыта о том, как устроен мир. Затем мы применяем то, чему научились, для решения новых ситуаций, в которых мы находимся. Чем больше мы испытываем и учимся, тем лучше становится наша способность принимать решения.
Одним из приложений машинного обучения является распознавание объектов. Цель состоит в том, чтобы разработать системы, которые могут идентифицировать повседневные объекты на основе изображений, представленных системой. Данные, используемые для разработки системы распознавания объектов, состоят из изображений различных объектов, таких как стулья, зонтики, стиральные машины и так далее. Каждая картинка, представленная алгоритму машинного обучения, помечена для определения типа объекта, который он содержит. Для каждого типа объекта могут быть сотни или тысячи различных изображений, представляющих альтернативные формы этого объекта с разных точек зрения. Анализируя различные изображения, машинное обучение алгоритмы признают, что определенные объекты связаны с определенными функциями (шаблонами). Стулья, как правило, имеют выпуклости (ножки), идущие от плоской, часто квадратной основы (сиденья). Они также отличаются от стула наличием спинки. Стиральные машины, как правило, имеют форму куба с ручками и почти никогда не бывают розового или оранжевого цвета, часто, но не всегда, черные и так далее.
Одним из первых применений машинного обучения является прогнозирование. Речь идет об использовании машинного обучения для определения того, чего вы в данный момент не знаете, основываясь на информации, которая у вас есть в данный момент. Найденные связи характеризуют отношения между поведением и результатами. Очень часто это связано с прошлым поведением людей и тем, что они впоследствии делали. Определив существующие отношения, можно сделать прогнозы о будущем поведении кого-либо на основе его текущего состояния. Использование машинного обучения для прогнозирования иногда называется прогнозным моделированием или прогнозной аналитикой. На самом деле, прогнозная аналитика является настолько распространенным применением машинного обучения, что многие люди (правильно или неправильно) часто используют оба термина взаимозаменяемо. Предсказание будущего поведения людей – это то, что люди обычно связывают с машинным обучением, но есть и другие ситуации и проблемы, к которым можно применить машинное обучение

. Врачи обследуют своих пациентов, проводят анализы и расспрашивают их об их симптомах, чтобы собрать доказательства (данные). Затем они используют эти данные, чтобы прийти к выводу о том, что, по их мнению, неправильно с пациентом. Они не делают прогноз о будущем здоровье пациента, но пытаются выяснить, что с ними не так сегодня. Врачи могут делать это с высокой степенью точности, потому что они сопоставляют полученную информацию о пациенте с тем, что они узнали за годы обучения и практики. Другими словами, они ищут, как симптомы пациента соотносятся с их знаниями об известных заболеваниях. Машинное обучение может применяться таким же образом. Учитывая множество подробной информации о симптомах различных заболеваний, машинное обучение может использоваться для оценки вероятности того, что у кого-то есть определенное заболевание, на основе каких-либо симптомов. Другой способ использовать машинное обучение – это метод уменьшения неопределенности. Существует целый ряд возможных результатов, которые могут произойти в любой конкретной ситуации. Машинное обучение не скажет вам с абсолютной уверенностью, какой результат произойдет, но откинет невозможные варианты.
Искусственный интеллект (ИИ), машинное обучение и углубленное обучение – все эти темы постоянно обсуждаются в новостных статьях и отраслевых дискуссиях. Но для многих руководителей предприятий и генеральных директоров становится все труднее разобраться в технических различиях, которые отличают эти возможности. Руководителям предприятий важно знать, будет ли технология или алгоритмический подход улучшать бизнес, улучшать качество обслуживания клиентов и повышать эффективность работы. И если да, то какая будет скорость, экономия средств и повышение точности.
В недавних исследованиях 49% организаций сообщили, что они изучают применение машинного обучения, в то время как небольшое большинство из 51% заявили, что были ранними последователями (36%) или опытными пользователями (15%) данной технологии.
Для руководителей, стремящихся повысить ценность бизнеса, различие между ИИ, машинным обучением и глубинным обучением представляет собой трудность, поскольку эти термины становятся взаимозаменяемыми в их использовании. Важно прояснить различия между машинным обучением (люди учат модели), глубоким обучением (подмножество машинного обучения, характеризующегося слоями «нейронных сетей», похожих на человека) и ИИ (обучение из среды).
Искусственный интеллект – это «более широкая концепция машин, способных выполнять задачи умным способом», в то время как машинным обучением является «текущее приложением ИИ, основанным на идее, что нужно просто дать машинам доступ к данным и позволить им учиться самостоятельно». Общим для этих подходов является то, что машинное обучение, глубокое обучение и ИИ получили выгоду от появления больших данных и квантовых вычислительных мощностей. Каждый из этих подходов основан на доступе к данным и мощным вычислительным возможностям.
Ранние пользователи машинного обучения находят способы автоматизировать машинное обучение, внедряя процессы в операционную бизнес-среду для повышения ценности бизнеса. Это позволяет более эффективно и точно учиться и принимать решения в режиме реального времени. Такие компании, как GEICO, благодаря своим возможностям, таким как виртуальный помощник GEICO, добились значительных успехов благодаря применению машинного обучения в производственных процессах. Например, страховые компании могут внедрять машинное обучение, чтобы предлагать страховые продукты на основе новой информации о клиентах. Чем больше данных доступно для модели машинного обучения, тем более точно предлагаемое решение каждому клиенту, тем больше чувствуется индивидуальный подход. В этом примере предложение страхового продукта не предопределено. Скорее, используя алгоритмы машинного обучения, базовая модель осуществляет процесс «оценивания» в режиме реального времени, процесс машинного обучения получает доступ к свежим данным клиентов и постоянно учится в процессе. Когда компания использует автоматическое машинное обучение, эти модели обновляются без участия человека, поскольку они «постоянно обучаются» на основе последних поступивших данных.
Для современного бизнеса рост объемов данных и источников данных – датчиков, речи, изображений, аудио, видео – будет ускоряться по мере распространения данных. Поскольку объем и скорость данных, доступных по цифровым каналам, продолжают опережать ручное принятие решений, машинное обучение можно использовать для автоматизации постоянно растущих потоков данных и принятия своевременных бизнес-решений на основе данных. Сегодня организации могут внедрить машинное обучение в основные бизнес-процессы, связанные с потоками данных компании, с целью улучшения своих процессов принятия решений посредством обучения в режиме реального времени.
Компании, которые находятся впереди остальных в плане применения машинного обучения, используют такие подходы, как создание «рабочей среды» для инноваций в науке о данных или предоставление «управляемого пути к производству», который обеспечивает «потребление модели потока данных». Внедрение машинного обучения в производственные процессы поможет обеспечить своевременное и более точное цифровое принятие решений. Организации могут ускорить применение этих платформ, с помощью таких методов, как Analytics Workbench и среда принятия решений во время выполнения. Эти методы предоставляют ученым, работающим с данными, среду, которая позволяет быстро внедрять инновации и помогает поддерживать растущие рабочие нагрузки аналитики, одновременно используя преимущества распределенных платформ больших данных и растущей экосистемы передовых аналитических технологий. Среда принятия решений «во время выполнения» обеспечивает эффективный путь для автоматизации моделей производственного машинного обучения, которые были разработаны специалистами по данным в аналитической среде.
Лидеры в области машинного обучения годами внедряют системы принятия решений во время выполнения. Инновацией сегодня является то, что технологии достигли такого уровня, когда возможности машинного обучения могут быть развернуты в масштабе с большей скоростью и эффективностью. Эти усовершенствования позволяют использовать ряд новых возможностей для обработки данных, в том числе принимать запросы на принятие решений в режиме реального времени из нескольких каналов, одновременно возвращая оптимизированные результаты решений, обрабатывать запросы на принятие решений в режиме реального времени посредством выполнения бизнес-правил, оценки прогностических моделей и арбитража