Азбука машинного обучения: как ваша компания может использовать машинное обучение для повышения эффективности
Машинное обучение (МО) часто упоминается в крупных СМИ и блогах, но в большинстве случаев авторы дают очень уклончивые объяснения того, как оно работает. Несмотря на то, что на нее было обращено внимание, технология все еще плохо изучена за пределами узкого круга практиков.
Итак, действительно ли машинное обучение может быть немедленно интегрировано в ваш бизнес для повышения операционной эффективности? Или кажущаяся безграничной мощь машинного обучения — просто раздутая сказка?
В этом посте мы объясним, что такое машинное обучение, его преимущества и способы его реализации.
Что такое машинное обучение?
Машинное обучение — это разновидность ИИ, которая позволяет системам «самообучаться». Это класс алгоритмов, которые при подаче данных могут научиться делать различные прогнозы, не будучи запрограммированы на это.
Машинное обучение существует уже довольно давно, но только недавно оно начало набирать обороты в цифровом бизнесе. В первую очередь это связано с появлением новых технологий баз данных, таких как Hadoop, которые предоставили корпорациям недорогой способ собирать огромные объемы данных.
Жизненный цикл проекта машинного обучения напоминает традиционный жизненный цикл Data Science. Это состоит из:
1) Определение бизнес-проблемы
Первое, что нужно сделать, — это четко сформулировать цели и требования вашего проекта, а затем перевести их в определение проблемы интеллектуального анализа данных.
2) Объединение данных
Затем просмотрите различные источники (журналы, устройства IoT, системы ERP, информацию о покупках и т. д.), чтобы собрать все необходимые данные.
3) Полировка данных
Очистите, преобразуйте и нормализуйте необработанные данные, чтобы вы могли передать их алгоритму машинного обучения.
4) Планирование модели
Выберите процессы машинного обучения, которые вы будете использовать для обучения; настраивать и калибровать их параметры до оптимальных значений.
5) Оценка модели
Дважды проверьте выбранные вами модели машинного обучения, чтобы убедиться, что ни одна важная бизнес-проблема не была упущена из виду; рассмотреть каждый шаг построения модели.
6) Развертывание
Теперь, когда процессы машинного обучения предоставили вам информацию и у вас есть некоторые полезные для бизнеса результаты, пришло время приступить к их развертыванию в ваших корпоративных приложениях или хранилищах данных.
По теме: Как Perfectial помог Ayasdi запустить уникальную платформу машинного интеллекта, которая использует топологический анализ данных, большие данные и автоматизацию.
Чем полезно машинное обучение?
Профилактическое обслуживание.
Какова вероятность поломки компонента машины, что приведет к отказу машины в следующем месяце? — ответы на бизнес-вопросы этого типа и многие другие подобные вопросы — это то, что М-алгоритмы хороши.
Вот что я имею в виду.
Обычный подход фабрик к обеспечению эффективного производства – корректирующее техническое обслуживание. С точки зрения непрофессионала, они заменяют компоненты машины по мере их поломки. Этот метод влечет за собой расходы на непредвиденный ремонт, который неизбежно возникает время от времени, а также расходы на простои. Это не идеально.
В качестве альтернативы некоторые предприятия прибегают к профилактическому обслуживанию, что означает постоянный мониторинг компонентов машины и отслеживание сбоев для определения приблизительного срока службы. Затем они устанавливают безопасные сроки для замены компонента до того, как он выйдет из строя, и, таким образом, избегают катастрофических отказов за счет частого обновления машин. Этот подход также несколько проблематичен, так как многие компоненты выбрасываются, хотя они все еще полностью функциональны и у них остается много «жизни» в баке.
Таким образом, цель профилактического обслуживания, для которого могут применяться алгоритмы машинного обучения, состоит в том, чтобы найти золотую середину между двумя вышеупомянутыми подходами и заменять компоненты только тогда, когда они близки к поломке. Используя машинное обучение на внутренних наборах данных, предприятия могут сократить расходы как за счет увеличения срока службы компонентов машин, так и за счет полного исключения незапланированного обслуживания.
Кредитный скоринг.
Финансовые учреждения собирают историю платежей и транзакций. Затем эти данные используются в качестве основы для большинства моделей кредитного скоринга, в которых используются такие инструменты, как деревья решений, регрессия и статистический анализ. Однако объемы этих структурированных данных ограничены, и банки все чаще обращаются к нетрадиционным источникам данных, таким как социальные сети и использование мобильных телефонов/текстовые сообщения, для получения дополнительной информации. Это помогает им сформировать более тонкое представление о кредитоспособности человека и, таким образом, повысить точность рейтинга.
После применения алгоритмов машинного обучения к данным клиентов банки могут быстрее и точнее классифицировать заемщиков; технология может помочь им гораздо проще принимать кредитные решения.
Кроме того, есть еще одно преимущество, которое может принести ОД — оно может сделать кредит доступным для заемщиков, у которых либо слишком «тонкая» кредитная история, либо недостаточно кредитной информации, чтобы вообще считаться «поддающейся оценке». Альтернативные источники неструктурированных данных потенциально могут сообщить кредиторам, может ли человек (и если он готов) погасить долг.
Тем не менее, имейте в виду, что еще не доказано, что модели оценки на основе ML обеспечивают более точные оценки, чем традиционные.
Служба поддержки.
По мере роста компаний технологические проблемы, с которыми они сталкиваются, усложняются. Отделы обслуживания клиентов, например, завалены вопросами и просьбами, как только фирма получает огромный приток клиентов. Решение этих задач, какими бы мелкими и рутинными они ни были, требует значительного количества рабочей силы.
Используя ML, фирмы могут сократить расходы на колл-центр и почтовые расходы. Алгоритмы могут помочь оптимизировать управление персоналом. А именно, компании могут оставить рутинные задачи, такие как понижение подписки клиента или аннулирование его учетной записи, на помощников с искусственным интеллектом. Каждый низкоуровневый запрос (например, «Как сбросить пароль?») может быть решен машиной, которая направит клиента к соответствующей статье в вашей базе знаний. Это также будет способствовать развитию у ваших клиентов привычек самообслуживания, что также снизит расходы на поддержку.
DevOps.
Алгоритмы машинного обучения можно использовать для оптимизации стратегий развертывания программного обеспечения. В частности, вы можете применять машинное обучение к данным из инструментов DevOps, таких как Jira или Jenkins, для выявления аномалий (длительного времени сборки, длительных проверок кода) и, таким образом, выявления потерь разработки программного обеспечения в рамках проекта.
Некоторые говорят, что модели поведения могут быть такими же уникальными, как отпечатки пальцев. Таким образом, использование машинного обучения для обнаружения подозрительных действий пользователей Dev и Ops может повысить безопасность. Алгоритмы могут обнаруживать необычные запросы на доступ к конфиденциальным репозиториям или действиям по автоматизации или подготовке системы, а также выделять «известные» вредоносные действия, такие как кодирование лазеек и развертывание кода, который не был проверен и авторизован.
Наконец, инструменты машинного обучения могут помочь в устранении неполадок. Они могут мгновенно распознавать аномалии (при обычной обработке), углубляться в журналы выпусков, а затем сопоставлять найденные проблемы с новыми конфигурациями и развертываниями.
Кто знает, может быть, когда-нибудь ML тоже сможет предложить наиболее эффективные исправления.
Распознавание лиц.
Глубокое обучение (подмножество машинного обучения) часто используется для создания решений по распознаванию лиц, которые компании могут применять для проверки личности, систем безопасности/наблюдения, контроля доступа и т. д.
MasterCard, например, запустила приложение, которое позволяет их клиентам аутентифицировать онлайн-платежи, просто моргнув в камеру, без необходимости вводить пароли. Подобные системы на основе машинного обучения можно использовать для автоматического предоставления или отказа кому-либо в доступе к банкомату, персональному компьютеру или офису — программное обеспечение может сопоставлять всех, кто входит в здание, с базой данных людей, которым разрешен вход.
Кроме того, ОД может помочь полиции определить наличие судимостей у подозреваемого, помочь в поиске преступников на свободе (применительно к системам наблюдения) и установить местонахождение пропавших без вести.
OCR.
Оптическое распознавание символов относится к преобразованию отсканированного текста, обычно написанного от руки или напечатанного, в текст, закодированный компьютером. С помощью современных механизмов оптического распознавания символов на базе машинного обучения компании могут извлекать и оцифровывать огромные объемы данных из счетов-фактур, банковских выписок, документов, удостоверяющих личность, номерных знаков, страховых форм и т. д., а затем быстро классифицировать и индексировать записи.
В прошлом, когда предприятия использовали устаревшие инструменты OCR, не полагавшиеся на ML, обработка данных занимала целую вечность, а выходные данные обычно содержали ошибки, которые затем приходилось исправлять вручную.
Однако последние достижения в области машинного обучения и искусственного интеллекта позволили новым решениям для оптического распознавания символов «понимать» после определенного «обучения» то, что они читают, и автоматически настраивать результаты извлечения. Это помогает предприятиям значительно сократить затраты и время на обработку данных.
Вывод
Нам еще предстоит увидеть, соответствует ли машинное обучение той шумихе, которую оно вызвало. Пока что его будущее выглядит радужным. Некоторые видные эксперты, такие как председатель Alphabet Эрик Шмидт, говорят, что широкое внедрение машинного обучения станет таким же значительным прорывом, как и переход от веб-приложений к мобильным.
По сравнению с другими приложениями, генерирующими статистику, инструменты машинного обучения могут научиться работать быстрее, надежнее и эффективнее без программирования для этого. Они действительно являются преобразующей технологией.
Хотите узнать больше о машинном обучении и его преимуществах для вашего бизнеса? Свяжитесь с нашим специалистом прямо сейчас, чтобы получить бесплатную консультацию.
Первоначально опубликовано на perfectial.com.
