Действительно ли машины разумны? Узнайте ответ и то, как это может повлиять на ваш бизнес. Это машинное обучение 101 для любознательных бизнес-лидеров.

Автономные автомобили, которые доставят нас по нашим любимым и наиболее эффективным маршрутам, виртуальные помощники, предоставляющие точные данные, необходимые врачу для диагностики болезни или инженеру для определения неисправной детали, боты службы поддержки, которые всегда готовы ответить на ваши вопросы и забронировать Ваши встречи точно и быстро. Все эти варианты использования уже есть или скоро появятся, и все они полагаются на машинное обучение для достижения успеха. Но как машины учатся? На рынке много путаницы, и важно сделать шаг назад и понять, о чем мы говорим и почему.

Существует много дискуссий о разнице между искусственным интеллектом (ИИ) и машинным обучением (МО), и даже сам термин аналитика стал очень широким. С точки зрения бизнеса важны не технические определения, а ценность, которую они вам приносят. Все эти технологии основаны на данных, и цель бизнеса состоит в том, чтобы сделать все возможное, чтобы максимально эффективно перейти от данных к пониманию и результатам.

С точки зрения бизнеса важны не технические определения, а ценность, которую они вам приносят. (твитнуть это)

Одной из областей, где существует четкая связь между данными, пониманием и результатами, является техническое обслуживание. Плановое профилактическое обслуживание уже давно использует данные для руководства реализацией, например, замена масла в вашем автомобиле и замена шин через регулярные промежутки времени. Если все сделано правильно, это будет намного эффективнее, чем просто водить машину до тех пор, пока она не сломается, а затем чинить то, что сломалось. Несмотря на то, что есть некоторые базовые данные, которые входят в циклы технического обслуживания, с распространением датчиков IoT стало возможным получить гораздо более полное представление о состоянии ваших машин и оборудования.

Большой объем данных открывает огромные возможности, но воспользоваться ими в полной мере бывает непросто. В конце концов, вам не просто нужно больше данных для принятия решений — вы, вероятно, уже утопаете в этом. На самом деле, один из самых больших вопросов, с которыми вы можете столкнуться как руководитель бизнеса, заключается в том, как использовать данные, которые вы уже генерируете ежедневно.

Возможно, вы уже нанимаете специалистов по обработке и анализу данных для построения моделей, которые вам нужны, чтобы понять все это, но они могут обрабатывать только часть поступающих данных. Нанимать больше специалистов по данным не только дорого, но и нехватка, что найм достаточного количества может оказаться невозможным. Таким образом, лучшим решением является использование платформы машинного обучения, чтобы снять эту нагрузку с команды, обрабатывающей ваши данные, что позволит им сосредоточиться на принятии решений, в то время как платформа фокусируется на масштабном анализе.

Например, Когнитивное профилактическое обслуживание (CPdM) — это мощный способ применения методов машинного обучения для профилактического обслуживания. С платформой CPdM все поступающие данные просматриваются, сравниваются с историческими результатами, анализируются на закономерности и представляются для просмотра — автоматически и в режиме реального времени. Платформа не просто основывает свои результаты на прошлых событиях в определенный момент времени, но постоянно учится и совершенствуется на основе данных, генерируемых бесчисленными датчиками, персонализируя обслуживание, необходимое для каждого устройства, за которым вы следите. Вместо регулярной замены масла через 3000 миль теперь вы меняете его только тогда, когда это необходимо вашему двигателю. Представьте себе, что это значит для крупных промышленных предприятий, где простои — внеплановые или рутинные — могут стоить сотни тысяч или миллионы долларов.

Вместо того, чтобы регулярно менять масло через 3000 миль, теперь вы меняете его только тогда, когда это нужно вашему двигателю (твитнуть это)

Это то, на что способно машинное обучение, и эффективность и экономия, которые оно может обеспечить для бизнеса, очевидны. Теперь, когда мы знаем, как их можно использовать, пришло время взглянуть на то, как машины взаимодействуют с данными, и демистифицировать то, как они на самом деле «обучаются».

Что на самом деле происходит с машинным обучением?

Как мы уже говорили выше, сейчас доступно больше данных, чем когда-либо прежде. Помимо датчиков IoT, которые постоянно генерируют машинные данные, есть также данные о поведении клиентов и пользователей и данные о бизнес-транзакциях в ERP или CRM, требующие анализа. Данных в таком изобилии, что уровень понимания контекста, который можно получить, феноменален.

Однако людям трудно обрабатывать данные на этом уровне. Средний человек способен обрабатывать сразу несколько измерений — например, температуру и влажность, — но когда вводится слишком много переменных, даже самые умные из нас не могут обработать их все. Мы начинаем исключать переменные или обобщаем, что снижает точность нашего анализа.

когда вводится слишком много переменных, даже самые умные из нас не могут все это обработать (твитнуть это)

Машины, с другой стороны, не имеют этого ограничения. Компьютеры сводят все к бинарным решениям, состояниям «да» или «нет», 0 и 1, и ничего не удаляют. Затем можно разработать математические модели для имитации поведения в реальном мире, а компьютер может сравнить все введенные данные с моделью, чтобы получить максимально точный результат.

Таким образом, ключ к получению точных результатов лежит в модели. Обычно создание — и, что особенно важно, частая настройка — модели представляет собой сложную задачу, требующую кропотливого труда команды обученных специалистов по данным. Чтобы поддерживать модель в актуальном состоянии, она должна принимать самые последние и наиболее актуальные данные, а новый анализ необходимо сравнивать с прошлым анализом и результатами, что приводит ученого к ряду выводов, которые позволяют ему еще больше повысить точность. . Это может быть трудным и трудоемким процессом.

К счастью, это все математика, и мы можем использовать машинное обучение, чтобы автоматизировать большую часть этого процесса. Компьютер может настраивать математическую модель множеством способов и проверять ее точность, постоянно корректируя входные данные или алгоритм. Эти корректировки создают впечатление, что машина обучается, но это просто повышает точность модели.

Эти корректировки создают впечатление, что машина обучается, но это просто повышает точность модели (твитнуть это)

На определенном уровне сложности математические алгоритмы, созданные таким образом, находятся за пределами понимания среднего человека (включая меня). Но это все еще просто модель — настоящего «обучения» нет. Магия в математике.

Что еще изменилось и что делать дальше

В следующем посте мы обсудим достижения в области технологий, которые сделали все это возможным, и подробно рассмотрим практические шаги, которые вы можете предпринять, чтобы использовать это в своем собственном бизнесе.

Не могу дождаться? Узнайте больше о создании когнитивных бизнес-приложений.

Этот контент первоначально появился в блоге Progress Марка Тростера. Ищете другие замечательные истории о технологиях и создании бизнес-приложений завтрашнего дня? Посетите блог, чтобы узнать больше.