คู่มือธุรกิจเพื่อการเรียนรู้ของเครื่อง

จากการประมวลผลภาษาธรรมชาติ (NLP) ไปจนถึงการเรียนรู้อย่างลึกซึ้งและเกินกว่านั้นการเรียนรู้ด้วยเครื่องจักร (ML) ได้เข้าสู่หลาย ๆ ด้านของเทคโนโลยีธุรกิจที่เป็นที่นิยมที่สุด ML เป็นเพียงปัจจัยหนึ่งในการปฏิวัติปัญญาประดิษฐ์ (AI) แต่เป็นสิ่งสำคัญ อัลกอริธึม ML เป็นเลเยอร์อัจฉริยะที่สำคัญซึ่งถูกอบเข้าสู่ผลิตภัณฑ์ที่เราใช้และเราจะเห็นว่ามันคืบคลานเข้าสู่กรณีการใช้งานที่มากขึ้นในอนาคต

อัลกอริธึม ML นั้นถูกฝังอยู่ในโครงสร้างของเทคโนโลยีที่เราใช้อยู่ทุกวัน นวัตกรรม ML ที่ครอบคลุมการมองเห็นคอมพิวเตอร์การเรียนรู้ลึก NLP และอื่น ๆ นั้นเป็นส่วนหนึ่งของการปฏิวัติที่ใหญ่กว่าเกี่ยวกับ AI ที่ใช้งานจริง พวกเขาไม่ใช่หุ่นยนต์อิสระหรือสิ่งมีชีวิต แต่เป็นประเภทสติปัญญาที่รวมอยู่ในแอพซอฟต์แวร์และบริการคลาวด์ของเราที่รวมอัลกอริทึม AI และข้อมูลขนาดใหญ่ไว้ใต้พื้นผิว

แนวโน้มยิ่งเด่นชัดในธุรกิจ ML ไม่ได้ใช้เพียงสำหรับโครงการวิจัยเฉพาะที่ดำเนินการโดยทีมนักวิทยาศาสตร์ข้อมูลอีกต่อไป องค์กรต่างๆใช้ประโยชน์จาก ML เพื่อรับระบบธุรกิจอัจฉริยะ (BI) ที่สามารถดำเนินการได้และการวิเคราะห์เชิงพยากรณ์จากข้อมูลจำนวนมากขึ้นเรื่อย ๆ นั่นเป็นเหตุผลที่สำคัญมากกว่าที่จะไม่เพียง แต่รู้ว่า ML คืออะไร แต่ยังต้องเรียนรู้กลยุทธ์ที่มีประสิทธิภาพมากที่สุดเกี่ยวกับวิธีใช้มันเพื่อคุณค่าที่จับต้องได้

Ted Dunning, Ph.D. เป็นหัวหน้าสถาปนิกแอปพลิเคชันที่ MapR ซึ่งมีการแจกแจงข้อมูลขนาดใหญ่และเครื่องมือการจัดการข้อมูลสำหรับองค์กรและยังได้ร่วมเขียนหนังสือสองเล่มเกี่ยวกับสิ่งที่เขาหมายถึง ทหารผ่านศึก Silicon Valley ได้ทำงานในสาขานี้มานานหลายทศวรรษโดยดูเทคนิค AI และพื้นที่มีวิวัฒนาการไปจนถึงจุดที่ความก้าวหน้าในการคำนวณทางปัญญาและความพร้อมใช้งานของเครื่องมือโอเพนซอร์ซได้นำ ML เข้าสู่กระแสหลักอย่างแท้จริง Dunning พูดกับ PCMag เพื่อตัดคำศัพท์เฉพาะอธิบายความหมายของ ML และบอกถึงภูมิปัญญาและแนวปฏิบัติที่ดีที่สุดเกี่ยวกับวิธีที่ธุรกิจสามารถใช้ประโยชน์จากการลงทุน ML ได้อย่างคุ้มค่าที่สุด

ความหมายในทางปฏิบัติ

คำจำกัดความที่ชัดเจนของ ML คือการให้ระบบมีความสามารถในการทำหน้าที่และเรียนรู้และปรับเปลี่ยนซ้ำ ๆ โดยไม่ต้องมีการเขียนโปรแกรมที่ชัดเจน Dunning กล่าวว่า ML เป็นสาขาของสถิติ แต่เป็นสาขาที่มีประโยชน์มาก เขาเน้นว่าในบริบททางธุรกิจในโลกแห่งความเป็นจริงคุณต้องมีความจริงจังและเป็นจริงด้วยวิธีที่คุณใช้มัน ภารกิจหลักของ ML คือการสร้างกระบวนการทางธุรกิจที่ทำซ้ำได้เชื่อถือได้และสามารถดำเนินการได้

“ การเรียนรู้ด้วยเครื่องไม่ได้เกี่ยวกับการมองย้อนกลับไปที่ข้อมูลทางวิทยาศาสตร์และพยายามตัดสินใจว่าข้อสรุปใดที่สามารถนำไปใช้ได้” Dunning กล่าว “ มันเกี่ยวกับการตั้งตารอและถามว่าเราสามารถทำนายอนาคตและสิ่งที่จะเกิดขึ้นในสถานการณ์ต่าง ๆ ได้เมื่อเราเริ่มทำธุรกิจกับข้อมูลนี้เรากำลังพูดถึงสถานการณ์ที่ จำกัด มากที่คุณต้องการจำลองแบบ”

เครดิตภาพ: Todd Jaquith ที่ Futurism.com คลิกเพื่อขยายอินโฟกราฟิกเต็ม

การเรียนรู้ลึกกับการเรียนรู้ราคาถูก

คุณสามารถแยกความคิดพื้นฐานนั้นออกเป็นหลาย ๆ ฟิลด์ภายใน ML ได้ แต่ Dunning ชี้ไปที่สองโดยเฉพาะที่ปลายสเปกตรัม: การเรียนรู้ที่ลึกซึ้งและสิ่งที่เขาเรียกว่า "การเรียนรู้ที่ถูก" การเรียนรู้อย่างลึกซึ้งเป็นแนวคิดที่ซับซ้อนมากขึ้น

“ เราต้องการให้การเรียนรู้ของเครื่องเจาะลึกลงไปนั่นคือจุดเริ่มต้นของคำศัพท์” Dunning กล่าว "ในช่วง 10 หรือ 15 ปีที่ผ่านมาเทคนิคต่าง ๆ ได้รับการพัฒนาซึ่งทำจริง ๆ แล้วเคยต้องมีงานวิศวกรรมจำนวนมากเพื่อสร้างความสัมพันธ์ในข้อมูลที่มองเห็นได้จากอัลกอริทึมซึ่งเป็นเวลานานไม่ฉลาดเท่าเรา คุณต้องการอัลกอริทึมนี้ข้อมูลที่น่ากินบนจานดังนั้นเราจึงใช้รหัสคุณสมบัติทั้งหมดเหล่านี้ที่ระบบทำด้วยตัวเอง "

การเรียนรู้อย่างลึกซึ้งเป็นสิ่งที่มีนวัตกรรมมากมายรอบ ๆ โครงข่ายประสาทเทียมอยู่ มันรวมเทคนิคที่ซับซ้อนเช่นการมองเห็นคอมพิวเตอร์และ NLP เข้ากับเลเยอร์ของการเรียนรู้ "เชิงลึก" ที่นำไปสู่ความก้าวหน้าครั้งใหญ่ในด้านต่าง ๆ เช่นการจดจำรูปภาพและข้อความ นี่เป็นสิ่งที่ยอดเยี่ยมสำหรับการสร้างแบบจำลองที่ซับซ้อน แต่สามารถ overkill สำหรับการใช้งานทางธุรกิจที่เรียบง่ายกว่าในชีวิตประจำวันซึ่งสามารถพึ่งพากรอบและเทคนิค ML ที่กำหนดขึ้นโดยมีพารามิเตอร์น้อยกว่ามาก

การเรียนรู้ที่ประหยัด Dunning อธิบายว่าเป็นเทคนิคที่ง่ายมีประสิทธิภาพทดสอบและทดสอบแล้วโดยที่ธุรกิจไม่จำเป็นต้องลงทุนทรัพยากรที่มีราคาแพงเพื่อสร้างนวัตกรรมใหม่

“ ในการคำนวณเราพูดถึงผลไม้แขวนลอยต่ำมากความพร้อมใช้งานของข้อมูลและความสามารถในการคำนวณที่เพิ่มขึ้นอย่างมากทำให้เราลดต้นไม้ลงได้ทั้งหมด” เขาอธิบาย "การเรียนรู้ด้วยเครื่องอย่างง่ายไม่ได้มีไว้สำหรับนักวิทยาศาสตร์ด้านข้อมูลอีกต่อไป"

การเรียนรู้ราคาถูกทำงานอย่างไร

อัลกอริธึม ML ขั้นพื้นฐานสามารถระบุความสัมพันธ์และให้คำแนะนำหรือสร้างประสบการณ์เชิงบริบทและเป็นส่วนตัวมากขึ้น Dunning กล่าวว่ามีโอกาสในทุกแง่มุมที่เราโต้ตอบกับคอมพิวเตอร์เพื่อให้พวกเขาใช้การเรียนรู้ราคาถูกเพื่อทำให้สิ่งต่าง ๆ ทำงานได้ดีขึ้น

ตัวอย่างหนึ่งของการเรียนรู้ราคาถูกในทางปฏิบัติคือการตรวจจับการทุจริต ธนาคารและพ่อค้าจัดการกับการฉ้อโกงอย่างกว้างขวาง แต่บ่อยครั้งที่มีการแยกย้ายกันไปและเกี่ยวข้องกับค่าต่ำพอที่ไม่ได้รับรายงาน Dunning อธิบายว่าด้วยการใช้อัลกอริธึมการเรียนรู้ราคาถูก (นั่นคือการทดสอบ ML ที่มีอยู่ซึ่งตั้งโปรแกรมไว้สำหรับงานนี้โดยเฉพาะ) พ่อค้าสามารถระบุประเด็นทั่วไปของการประนีประนอมได้ง่ายขึ้นซึ่งจะทำให้ผู้ใช้ตกอยู่ในความเสี่ยง มองเห็นได้

"สมมติว่าคุณต้องการค้นหาร้านค้าที่ดูเหมือนว่ามีการรั่วไหลของข้อมูลซึ่งนำไปสู่การฉ้อโกงคุณสามารถใช้การทดสอบ G ² เพื่อค้นหาร้านค้าที่มีตัวแทนจำหน่ายมากเกินไปในประวัติการทำธุรกรรมของผู้ที่ตกเป็นเหยื่อของการฉ้อโกง กล่าว. "ดูเหมือนว่าง่ายเกินไปที่จะเรียกว่าการเรียนรู้ของเครื่อง แต่พบว่ามีคนเลวในชีวิตจริงส่วนขยายของเทคนิคนี้สามารถนำมาใช้เพื่อเพิ่มเทคนิคขั้นสูงมากขึ้นซึ่งจะช่วยให้อัลกอริทึมการเรียนรู้ง่ายขึ้น

การเรียนรู้ที่ประหยัดสามารถนำไปใช้ในรูปแบบต่างๆทุกรูปแบบดังนั้น Dunning จึงเป็นตัวอย่างของธุรกิจออนไลน์ที่อาจใช้งานได้ ในตัวอย่างนี้เขาอธิบายว่าอัลกอริทึม ML ที่มีอยู่สามารถแก้ไขปัญหาการจัดอันดับความคิดเห็นได้อย่างไร

"สมมติว่าคุณมีบทความที่มีจำนวนความคิดเห็นเกี่ยวกับเรื่องนี้คุณควรสั่งซื้อสิ่งใดในการสั่งซื้อความคิดเห็นตามความคิดเห็นของคนที่น่าสนใจคุณสามารถนับจำนวนครั้งที่ผู้คนอ่านความคิดเห็นและวิธีการ หลายครั้งที่พวกเขาถอนรากถอนโคน แต่ยังมีเวทย์มนตร์เล็กน้อยที่ยังต้องการ "Dunning กล่าว

“ การอัปโหลดหนึ่งครั้งจากผู้อ่านหนึ่งคนอาจจะไม่ดีกว่าการโหวตขึ้น 8 ครั้งจากผู้อ่าน 10 คน” เขาอธิบาย "ยิ่งแย่ไปกว่านั้นถ้าคุณทำให้ผู้ชนะก่อนหน้านี้ความคิดเห็นอื่น ๆ ไม่เคยเห็นแสงสว่างของวันและคุณไม่เคยเรียนรู้เกี่ยวกับพวกเขาเลยการเรียนรู้ของเครื่องจักรเล็ก ๆ ที่เรียกว่า Thompson sampling สามารถแก้ปัญหานี้ได้ด้วยวิธีการรวบรวมข้อมูล และตำแหน่งที่ไม่แน่นอน แต่โดยทั่วไปแล้วพวกเขาสั่งให้พวกเขาในวิธีที่ให้ประสบการณ์ที่ดีที่สุดแก่ผู้ใช้ "

การติดตามหนี้ยังกำหนดแนวทางปฏิบัติที่ดีที่สุดสำหรับวิธีที่ธุรกิจของคุณสามารถใช้ประโยชน์จาก ML ได้อย่างเต็มที่ สำหรับรายละเอียดของวิธีการโลจิสติกส์ข้อมูลและคลังแสงของอัลกอริทึมและเครื่องมือที่แตกต่างกันทำให้กลยุทธ์ทางธุรกิจประสบความสำเร็จลองดู 7 เคล็ดลับสำหรับการเรียนรู้ของเครื่องเรื่องความสำเร็จ

2561 และอีกต่อไป: ตอนนี้ ML อยู่ที่ไหน

บางทีนี่อาจไม่ใช่เรื่องแปลกสำหรับคุณ แต่พื้นที่เก็บข้อมูลขนาดใหญ่และฐานข้อมูลที่เกี่ยวข้องนั้นเติบโตอย่างรวดเร็วเพื่อพูดให้น้อยที่สุด ในระหว่างการประชุม BigData SV 2018 ที่เมืองซานโฮเซปีเตอร์เบอร์ริสประธานเจ้าหน้าที่ฝ่ายวิจัย บริษัท Wikibon Research นำเสนอผลการวิจัยระบุว่ารายได้จากอุตสาหกรรมข้อมูลขนาดใหญ่ทั่วโลกคาดว่าจะเพิ่มขึ้นจาก 35 พันล้านดอลลาร์ในปี 2560 เป็น 42 พันล้านดอลลาร์ในปี 2018 เหนือสิ่งอื่นใด Burris คาดการณ์ว่ารายรับจะสูงถึง $ 103, 000, 000, 000 ภายในปี 2570

เพื่อจัดการข้อมูลทั้งหมดอย่างมีประสิทธิภาพโซลูชั่น ML ที่ชาญฉลาดจะกลายเป็นสิ่งที่จำเป็นยิ่งกว่าที่เป็นอยู่ในปัจจุบัน เห็นได้ชัดว่า ML จะยังคงเป็นประเด็นร้อนสำหรับอนาคตอันใกล้ เมื่อเราได้พูดคุยกับ Dunning ของ MapR เมื่อปีที่แล้วเขาเน้นการใช้ ML ที่คำนวณได้จริงสำหรับธุรกิจ แต่หนึ่งปีเป็นเวลานานเมื่อคุณกำลังพูดถึงเทคโนโลยี เมื่อไม่นานมานี้เราได้พูดคุยกับ Dunning และสิ่งต่าง ๆ ก็ยังคงเหมือนเดิมตั้งแต่การสนทนาครั้งสุดท้ายของเรา “ ในระดับที่สูงขึ้นนั้นมีการเปลี่ยนแปลงไม่มากนัก” Dunning กล่าว "แนวคิดพื้นฐานของการใช้เหตุผลจากหลักฐานแน่นอนไม่ใช่ข่าวเมื่อปีที่แล้ว แต่เครื่องมือบางอย่างเปลี่ยนไป"

เมื่อนึกถึงเรื่องนี้ Dunning ยังบอกอีกว่ามีผู้เล่นในสนามมากกว่าปีที่แล้ว แต่ความจริงนั้นไม่จำเป็นต้องเป็นเรื่องดี “ สิ่งหนึ่งที่เกิดขึ้นคือการเกิดขึ้นของผู้ค้าจำนวนมากขึ้นเรื่อย ๆ ที่กำลังพูดถึงการเรียนรู้ด้วยเครื่อง 'ขลัง' เพื่อสร้างคำที่น่ารังเกียจขึ้นมา "เขาอธิบาย "มีความเข้าใจผิดอย่างมากที่คุณสามารถทิ้งข้อมูลของคุณลงในผลิตภัณฑ์และรับข้อมูลเชิงลึกที่สวยงาม"

• ทำไมการเรียนรู้ของเครื่องจึงเป็นอนาคตทำไมการเรียนรู้ของเครื่องจึงเป็นอนาคต
• Comet.ml ต้องการเปลี่ยนวิธีที่เราโต้ตอบกับการเรียนรู้ของเครื่อง Comet.ml ต้องการเปลี่ยนวิธีที่เราโต้ตอบกับการเรียนรู้ของเครื่อง
• Google ลดความซับซ้อนของการเรียนรู้ของเครื่องด้วย SQL Google ลดความซับซ้อนของการเรียนรู้ของเครื่องด้วย SQL

การคาดหวังว่าผลลัพธ์ที่น่าอัศจรรย์จาก ML อาจจะ "ไม่น่าสนใจ" ตาม Dunning “ คุณต้องคิดเกี่ยวกับปัญหาที่เกิดขึ้นจริงคุณยังต้องรวบรวมข้อมูลและคุณยังต้องจัดการการปรับใช้ระบบของคุณ” เขากล่าว "และในทางปฏิบัติความเป็นจริงในการขนส่งยังคงเป็นปัญหาอยู่"

การติดตามหนี้เป็นปัญหากับการตลาดระดับสูงของ บริษัท ซอฟต์แวร์บางแห่ง “ ไม่มีสิ่งใดใน AI ที่มีมนต์ขลังแม้จะพูดถึงเรื่องนั้น” เขากล่าว เขามีคำแนะนำสำหรับธุรกิจที่ต้องพิจารณา วิธีการหนึ่งที่จะทำให้มั่นใจว่าแนวปฏิบัติที่ดีคือจ้างนักวิเคราะห์ธุรกิจ AI ที่เฉพาะเจาะจงเพื่อให้คุณมีใครบางคนใน บริษัท ของคุณระบุแง่มุมของธุรกิจของคุณที่สามารถปรับปรุงได้โดยใช้เทคโนโลยี ML

“ ในบางกรณีนั่นอาจเป็นการขยายธุรกิจของคุณไปสู่โอกาสใหม่ ๆ ” Dunning อธิบาย แต่ในกรณีส่วนใหญ่เขาเน้นว่าการจ้างคนให้เข้าใจความต้องการขององค์กรของคุณและใช้ข้อมูลนั้นเพื่อเป็นแนวทางกลยุทธ์ ML ของคุณเป็นสิ่งสำคัญ