La guia empresarial de l'aprenentatge automàtic

Des del processament del llenguatge natural (PNL) fins a l’aprenentatge profund i més enllà, l’aprenentatge automàtic (ML) ha entrat en molts aspectes de les tecnologies empresarials més populars. La ML és només un factor de la revolució de la intel·ligència artificial (AI), però és important. Els algorismes de ML són una capa d’intel·ligència vital que es cuina als productes que utilitzem, i en el futur només la veurem arrossegada cap a casos d’ús més intensos.

Els algorismes de ML s’incorporen al teixit de bona part de la tecnologia que utilitzem cada dia. Les innovacions de la ML que comprenen la visió per ordinador, l'aprenentatge profund, la PNL i altres elements formen part d'una revolució més gran entorn de la IA pràctica. No són robots autònoms ni éssers sensibles, sinó un tipus d’intel·ligència integrat a les nostres aplicacions, programari i serveis al núvol que combina algoritmes d’AI i Big Data a la superfície.

La tendència és encara més acusada en el negoci. ML ja no s’utilitza exclusivament per a projectes de recerca especialitzats realitzats per un equip de científics de dades. Les empreses ara fan ús de ML per obtenir una intel·ligència empresarial accionable (BI) i analítiques predictives a partir de quantitats cada vegada més grans de dades. És per això que és més important que mai no només saber què és ML, sinó també aprendre les estratègies més efectives sobre com utilitzar-lo per obtenir un valor tangible.

Ted Dunning, doctor, és el principal arquitecte d'aplicacions de MapR, que proporciona distribucions de Big Data i eines de gestió de dades per a empreses i, a més, és coautor de dos llibres sobre el que ell es coneix com "Aprenentatge Pràctic Machine". El veterà de Silicon Valley ha treballat en el camp des de fa dècades, observant les tècniques de la IA i l’espai evolucionant fins al punt en què els avenços en informàtica cognitiva i la disponibilitat d’eines de codi obert han portat realment ML al corrent principal. Dunning va parlar amb PCMag per analitzar l'argot, explicar què significa ML en realitat i oferir una mica de saviesa i bones pràctiques sobre com les empreses poden aprofitar al màxim la seva inversió en ML.

Una definició pràctica

La definició directa de ML és donar als sistemes la capacitat d’actuar i aprendre i ajustar iterativament, sense cap programació explícita. Dunning va dir que ML és una branca d’estadístiques, però una branca molt pràctica. Va subratllar que, en un context empresarial del món real, cal ser pragmàtic i realista amb la manera d’aplicar-lo. La tasca principal de ML és crear un procés empresarial que sigui repetible, fiable i executable.

"L'aprenentatge automàtic no consisteix en mirar enrere les dades científiques i intentar decidir quines conclusions són viables", va dir Dunning. "Es tracta de mirar cap endavant i preguntar-nos què podem predir sobre el futur i què passarà en diversos escenaris. Quan es tracta de fer negocis amb aquestes dades, estem parlant de situacions molt limitades en què es vol replicar."

Crèdit d'imatge: Todd Jaquith a Futurism.com. Feu clic per ampliar la infografia completa.

Aprenentatge profund vers l'aprenentatge barat

Podeu desglossar aquesta idea bàsica en diversos camps de la ML, però Dunning va assenyalar dos, en particular, en els dos extrems de l'espectre: l'aprenentatge profund i el que ell anomena "aprenentatge barat". L’aprenentatge profund és el concepte més complicat.

"Volíem que l'aprenentatge automàtic aprofundís. Aquest és l'origen del terme", va dir Dunning. "Durant els últims 10 o 15 anys, s'han desenvolupat tècniques que realment ho fan. Es necessitaven molts treballs d'enginyeria per fer que les relacions en les dades siguin visibles als algoritmes, que durant molt de temps no eren tan intel·ligents com nosaltres Volíeu que fossin. Heu de lliurar aquests algoritmes aquestes dades agradables en un placa, per la qual cosa hem fet un codi manual totes aquestes funcions que ara fan els sistemes per si mateixes ".

L’aprenentatge profund és on rau bona part de la innovació al voltant de les xarxes neuronals. Combina tècniques sofisticades com la visió per ordinador i la PNL en capes d’aprenentatge “més profund” que han provocat grans avenços en àrees com el reconeixement d’imatges i textos. Això és excel·lent per a la modelització complexa, però pot ser excessiu per a usos empresarials cada dia més senzills que poden confiar en marcs i tècniques de ML establerts amb paràmetres molt menys.

L'aprenentatge barat, va explicar Dunning, significa tècniques senzilles, eficaces i provades en què les empreses no necessiten invertir recursos costosos per reinventar la roda.

"En informàtica, parlem molt de fruites penjants. La disponibilitat de dades i l'augment massiu de la capacitat computacional significa que hem reduït tot l'arbre", va explicar. "El simple aprenentatge automàtic ja no és només per als científics de dades."

Com funciona l’aprenentatge barat?

Els algorismes bàsics de ML poden identificar correlacions i fer recomanacions o fer experiències més contextuals i personalitzades. Dunning va dir que hi ha una oportunitat en gairebé tots els aspectes de com interactuem amb els ordinadors perquè utilitzin un aprenentatge barat per simplement millorar les coses.

Un exemple d’aprenentatge barat a la pràctica és la detecció de fraus. Els bancs i els comerciants fan front a un frau generalitzat, però sovint està dispers i té en compte amb valors prou baixos que no reben. Dunning va explicar que utilitzant un algorisme d’aprenentatge barat (és a dir, un test de ML existent programat per a aquesta tasca específica), els comerciants poden identificar més fàcilment els punts habituals de compromís que posen en risc els usuaris i atrauen patrons de frau que d’altra manera no serien. visible.

"Suposem que voleu trobar quins comerciants semblen estar filtrant dades que condueixen a un frau. Podeu utilitzar una prova G ² per simplement trobar quins comerciants estan sobrerepresentats en els historials de transaccions de víctimes de fraus enfront de consumidors sense frau", ha explicat Dunning. dit. "Això sembla massa senzill per anomenar-se aprenentatge automàtic, però es troba amb nois a la vida real. Les extensions d'aquesta tècnica es poden utilitzar per augmentar tècniques una mica més avançades que permetin que algorismes d'aprenentatge més senzills tinguin èxit allà on podrien fallar d'una altra manera."

L'aprenentatge barat es pot utilitzar de tot tipus de maneres diferents, de manera que Dunning va donar un altre exemple de com un negoci en línia pot utilitzar-lo. En aquest cas, va explicar com un algorisme de ML existent pot solucionar un simple problema de classificació de comentaris.

"Suposem que teniu un article amb diversos comentaris sobre ell. En quin ordre s'han de posar? Què tal d'ordenar els comentaris segons quina gent cregui interessant? Podeu comptar el nombre de vegades que la gent llegeix el comentari i com moltes vegades ho van superar, però encara falta una mica de màgia ", va dir Dunning.

"Probablement una valoració d'un lector no és millor que vuit punts sobre 10 lectors", va explicar. "Pitjor encara, si poseu premiats els primers guanyadors, els altres comentaris no veuen mai la llum del dia i, per tant, mai no se n'assabenta. Un petit aprenentatge automàtic anomenat mostreig Thompson pot solucionar-ho de manera que recopili dades sobre nous comentaris. i on els rànquings són incerts, però generalment els ordena d’una manera que ofereix als usuaris la millor experiència ".

Dunning també va oferir un conjunt de bones pràctiques per millorar el rendiment de la vostra empresa. Per obtenir un desglossament de com la logística, les dades i un arsenal d’alguns algoritmes i eines diferents es converteixen en una estratègia empresarial exitosa, consulteu els nostres 7 Consells per a l’èxit d’aprenentatge automàtic.

2018 i més enllà: On és ara ML

Potser no és una sorpresa per a vosaltres, però l'espai Big Data i la base de dades associada està creixent ràpidament. Durant la conferència BigData SV 2018 a San Jose, Peter Burris, director de recerca de la firma d’analistes tecnològics Wikibon Research, va presentar conclusions que indiquen que s’estima que els ingressos de la indústria mundial de Big Data creixeran dels 35.000 milions de dòlars el 2017 als 42.000 milions de dòlars el 2018. per damunt d’això, Burris preveu que els ingressos s’arribin als 103.400 milions de dòlars per a l’any 2027.

Per gestionar eficaçment totes aquestes dades, les solucions intel·ligents ML seran encara més necessàries del que ara. És evident que ML continuarà sent un tema candent per al futur previsible. Quan parlem per primera vegada amb MapR's Dunning fa un any, va emfasitzar la presa d'un plantejament calculat i realista de ML per als negocis. Però un any és molt llarg quan es parla de tecnologia. Fa poc ens vam trobar amb Dunning i, segons ell, les coses han continuat igual des de la nostra última conversa. "A aquest nivell superior, no ha canviat gaire", va dir Dunning. "La idea bàsica de raonar a partir de les evidències no és certament una notícia de l'últim any, però algunes de les eines han canviat."

Amb això, Dunning també va dir que hi ha més jugadors al camp del que hi havia fa només un any, però aquest fet no és necessàriament una cosa bona. "Una cosa que ha passat és l'aparició de cada vegada més venedors que parlen d'aprenentatge automàtic" màgic "per dir-hi una paraula desagradable", va explicar. "Hi ha una gran idea errònia que només podeu llançar les dades a un producte i obtenir-ne una visió molt bona."

• Per què l’aprenentatge automàtic és el futur Per què l’aprenentatge automàtic és el futur
• Comet.ml vol canviar la manera en què interactuem amb l'aprenentatge automàtic Comet.ml vol canviar la manera com interactuem amb l'aprenentatge automàtic
• Google simplifica l'aprenentatge automàtic amb SQL Google simplifica l'aprenentatge automàtic amb SQL

Dunning esperar un resultat màgic de ML pot ser "desconcertant". "Encara heu de pensar en quin problema importa realment. Encara heu de reunir dades i encara heu de gestionar el desplegament del vostre sistema", va dir. "I aquestes realitats pragmàtiques i logístiques encara dominen el problema".

Dunning té problemes amb algunes de les mercaderies altes que ofereixen algunes empreses de programari. "Cap de les coses màgiques de la IA s'hi refereix", va dir. Té un consell per tenir en compte les empreses. Segons ell, una manera d’assegurar-se de bones pràctiques és contractar un analista de negoci d’AI específic per tal que puguis tenir a algú de la vostra empresa que identifiqui aspectes del vostre negoci que es poden millorar mitjançant la tecnologia ML.

"En alguns casos, això podria ser una extensió del vostre negoci a noves oportunitats", va explicar Dunning. Però, en la majoria dels casos, ha subratllat que la contractació d'algú per entendre les necessitats de la seva organització i que aquesta informació és crucial per guiar l'estratègia de la vostra empresa.