Или, другими словами, как я не смог объяснить своему боссу прогностическое моделирование, многому научился и упростил концепцию, чтобы убедить своего босса инвестировать в нее.

«Это выглядело очень круто, но я не понял половины».

Sh*t…

Он единственный, кто заботился о том, чтобы дать обратную связь. Вероятно, другие поняли еще меньше.

Все менеджеры уже покинули комнату. Я один с мелькающими «Вопросами?» слайд насмехается надо мной. Конечно, у них не было вопросов, я слишком усложнил свою презентацию «Бизнес-преимущества машинного обучения».

Ну, по крайней мере, я выглядел умным парнем… наверное. Но без понимания проекта ключевыми менеджерами я не смогу получить необходимые ресурсы.

Поэтому я глубоко вздохнул и вернулся к работе. Мне как фанатику машинного обучения было трудно поверить, что моя компания еще не раскрыла свой огромный потенциал. Хуже того, они еще не осознали потенциал.

Тяжело упав на стул, я снова начал печатать, понимая, что потребуется много усилий, чтобы протолкнуть эту новую идею в повестку дня. С тех пор я провел часы, и вот я снова.

Мой первый шаг в машинном обучении

Если вы не можете просто объяснить, значит, вы недостаточно хорошо это понимаете.
— Альберт Эйнштейн —

После нескольких месяцев погружения в курс машинного обучения великого учителя Эндрю Нг и манипулирования данными моей компании я наконец понял: прогнозное моделирование. Я был очень взволнован!

С тех пор, как я впервые нажал на «запуск» алгоритма, у меня до сих пор мурашки по коже от возбуждения, пока появляются результаты! Мне это так нравится: на этот раз больше никаких догадок, никаких мнений людей, притворяющихся экспертами! Только уникальная правда, предоставленная машиной! А работая с отделом маркетинга, догадки были ежедневным кормом.

Но возбуждения недостаточно. Вы также должны понять это глубоко. Поймите это настолько, чтобы вы могли упростить и объяснить это бизнесу, потому что бизнес должен принять решение. Вам нужно подняться на гору, затем спуститься с другой стороны, чтобы вернуться на уровень других людей.

Объяснять машинное обучение кому-либо, специалистам по маркетингу и продажам или людям с нулевым техническим образованием? Да, это возможно! Хотите ли вы сами понять машинное обучение или хотите, чтобы другие люди поняли: вот самая простая метафора машинного обучения. Я отшлифовал его, снова и снова представляя его перед многочисленной аудиторией.

Когда-то таймер был бегуном…

Гонка

Капля пота скатывается по лбу и падает на землю. Бегуны стоят на месте, напряженные, ждут стартового выстрела. Теплый майский день, светит солнце. Толпа затаила дыхание, а вы там, на трибуне, нервничаете и взволнованы.

Вы любитель легкой атлетики и часто посещаете скачки. Но все же одно еще более особенное, чем раньше: вы организовали его со своей командой!
Вам даже помог стажер, которому вы поручили провести процесс регистрации бегунов на входе. В статистических целях вы просите его измерить «важные черты» каждого бегуна, не давая четких указаний. «Эта статистика не так уж и важна, но может пригодиться позже», — думаете вы.

Бум! Звук отъезда отрывает тебя от твоей мечты! Бегуны выпрыгивают со стартовой линии. Они скользят через 400 метров. Напряжение достигает апогея. Ааа вот он! Победитель гонки! Вы спускаетесь, чтобы поболеть и отпраздновать победу вместе со своей командой. Какой прекрасный день в мае!

Через несколько дней, закрыв администрацию гонки в своем кабинете, вы начинаете смотреть статистику. Черт! Стажер измерил только три вещи: вес, размер мышц ног и… длину волос?! Ладно, вы можете не держать этого стажера, но в любом случае у вас все еще есть эти данные и время каждого бегуна, чтобы вытащить кое-какую статистику.

Через несколько часов, используя измерения стажера и скорость бегунов, вы пришли к некоторым выводам:
- Вес: Быть ни слишком худым, ни слишком тяжелым не хорошо. Есть идеальный вес, и чем они ближе к этому весу, тем они быстрее.
- Размер мышц ног: Здесь очевидно, чем больше, тем лучше.
- Длина волос: снова очевидно; это никак не влияет на их скорость. Вы можете удалить эти данные.

Итак, первый анализ сделан, но вы задаетесь вопросом, правильный ли он. Вы решаете бросить себе вызов, посетив еще одну гонку и сделав ставку против друга. Каждый из вас выберет другого бегуна. Может быть, эта статистика поможет вам заработать несколько долларов!

Вторая гонка, вы здесь, чтобы испытать свою модель! Перед началом забега вы внимательно осматриваете бегуна и выбираете победителя: идеальный вес и самые большие ноги. Твой друг выбрал слишком тяжелый, какой дурак! Вы садитесь на трибуну, уверенные в своем выборе.

Через час, потягивая свой роскошный коктейль, купленный на деньги друга, вы поняли, что действительно можете использовать эту формулу снова и снова. Может быть, даже зарабатывать на жизнь, предсказывая победителя в каждой гонке. Наконец-то этот стажер не так уж плохо поработал… верно?

Кстати, если вы дочитали до этого места, вы успешно поняли основную концепцию одного метода машинного обучения: прогнозного моделирования. Давайте соединим точки нашей истории гонки.

Машина и бегун

Машинное обучение работает точно так же, как анализ гонки, который мы сделали. Сначала мы построили модель с данными, а затем проверили ее, чтобы убедиться, что она рассчитана на будущее.

Вернемся к первой гонке. Сначала мы измерили данные: вес, размер мышц ног и длину волос. Затем, в конце первого забега, мы собрали данные: 1. длина волос не была полезной категорией данных, 2. лучше всего иметь средний вес и 3. чем больше мышц, тем лучше.
В терминах машинного обучения это называется обучением модели. У нас уже есть представление о первом наборе данных, но мы не уверены, можно ли доверять результату для новых данных.

Во время второго забега мы тестируем модель: делаем ставку на бегуна со средним весом и наибольшей мускулатурой. Если он выиграет, мы будем знать, что наша модель построена правильно. Если нет, мы возвращаемся к этапу тренировки и пытаемся построить новую модель: может быть, не так уж и хорошо иметь слишком много мышц ног.
В терминах машинного обучения это называется тестированием модели. На этом этапе важно использовать новые данные, чтобы убедиться, что выводы соответствуют новым случаям.

Подводя итог в одном изображении:

И вот мы здесь! Теперь у нас есть перспективная модель, которая поможет предсказать победителя 3-й гонки и далее!

Поздравляю! Вы поняли простейшую метафору модели машинного обучения: алгоритм прогнозирования! Теперь вы можете нести в своей компании сообщение, побуждающее к инвестициям в эту область.
Подумайте об огромном бизнес-потенциале: вы можете предсказать, какие клиенты скоро уйдут, какие станут вашими самыми лояльными клиентами и кто заплатит за ваши услуги. функция, которая скоро будет выпущена!

В качестве примечания для людей, готовых начать охоту на ведьм против Машины: Машина не гадалка и не может точно предсказать, кто и какие действия предпримет. Но это может дать вероятность того, что событие произойдет в будущем. Что касается бегуна, мы могли бы «только» сказать, что он с вероятностью 90% выиграет гонку. Но этого достаточно, чтобы поставить немного денег.

Будьте тем, кто приносит инновации в вашу компанию!

Спасибо за чтение! Я обязуюсь упростить больше концепций машинного обучения для деловых людей. Так что, если вы взволнованы тем, как просто можно объяснить машинное обучение, не стесняйтесь следовать за мной, хлопать в ладоши или узнавать больше в моем личном блоге о машинном обучении для маркетинга.

В том же тоне я не могу не упомянуть Кэсси Козыркову, руководителя отдела анализа решений в Google, которая вдохновила меня своими способностями к упрощению машинного обучения и заслуживает упоминания за ее великолепные навыки письма.