Bedriftsguiden til maskinlæring

Fra naturlig språkbehandling (NLP) til dyp læring og utover, maskinlæring (ML) har kommet inn i mange aspekter av de mest populære forretningsteknologiene. ML er bare en faktor i kunstig intelligens (AI) revolusjonen, men den er en viktig en. ML-algoritmer er et viktig intelligenslag som blir bakt inn i produktene vi bruker, og vi vil bare se det krype til flere brukssaker i fremtiden.

ML-algoritmer er innebygd i stoffet til mye av teknologien vi bruker hver dag. ML-innovasjoner som strekker seg over datamaskinsyn, dyp læring, NLP og videre, er del av en større revolusjon rundt praktisk AI. De er ikke autonome roboter eller levende vesener, men en type intelligens integrert i appene våre, programvaren og skytjenester som kombinerer AI-algoritmer og Big Data under overflaten.

Trenden er enda mer markant i virksomheten. ML brukes ikke lenger bare til spesialiserte forskningsprosjekter utført av et team av dataforskere. Foretak benytter seg nå av ML for å få handlingsbar forretningsintelligens (BI) og prediktiv analyse fra stadig økende datamengder. Det er derfor det er viktigere enn noen gang å ikke bare vite hva ML er, men også lære de mest effektive strategiene for hvordan du bruker den for håndgripelig verdi.

Ted Dunning, Ph.D., er Chief Application Architect hos MapR, som leverer Big Data-distribusjoner og datahåndteringsverktøy for bedrifter, og har også medforfatter av to bøker om det han omtaler som "Praktisk maskinlæring." Silicon Valley-veteranen har jobbet i felt i flere tiår, og så på AI-teknikkene og rommet utvikler seg til det punktet hvor fremskritt innen kognitiv databehandling og tilgjengeligheten av open source-verktøy virkelig har brakt ML til mainstream. Dunning snakket med PCMag for å skjære gjennom sjargongen, forklare hva ML faktisk betyr, og formidle litt visdom og beste praksis for hvordan bedrifter kan få mest mulig ut av ML-investeringene sine.

En praktisk definisjon

Den rette definisjonen av ML er å gi systemer muligheten til å handle og iterativt lære og gjøre justeringer, uten eksplisitt programmering. Dunning sa ML er en gren av statistikk, men en gren som er veldig praktisk. Han understreket at du i en virkelig forretningssammenheng må være pragmatisk og realistisk med hvordan du bruker den. Kjerneoppgaven til ML er å lage en forretningsprosess som er repeterbar, pålitelig og kjørbar.

"Maskinlæring handler ikke om å se bakover på vitenskapelige data og prøve å bestemme hvilke konklusjoner som er levedyktige, " sa Dunning. "Det handler om å se fremover, og spørre hva vi kan forutsi om fremtiden og hva som vil skje i forskjellige scenarier. Når det kommer til å gjøre forretninger med disse dataene, snakker vi om svært begrensede situasjoner der du vil reproduserbarhet."

Bildekreditt: Todd Jaquith på Futurism.com. Klikk for å utvide hele infografien.

Deep Learning vs. Cheap Learning

Du kan dele opp den grunnleggende ideen i en rekke forskjellige felt innen ML, men Dunning pekte spesielt på to på hver ende av spekteret: dyp læring og det han kaller "billig læring." Dyp læring er det mer kompliserte konseptet.

"Vi ønsket at maskinlæring skulle gå dypere. Det er opprinnelsen til begrepet, " sa Dunning. "De siste 10 eller 15 årene er det utviklet teknikker som faktisk gjør det. Brukte til å kreve mye teknisk arbeid for å synliggjøre relasjoner i dataene for algoritmer, som i lang tid ikke var så flinke som vi ønsket at de skulle være. Du måtte overlate algoritmer disse smakfulle dataene på en plate, så vi pleide å kode inn alle disse funksjonene som systemene nå gjør på egen hånd."

Dyp læring er der mye av innovasjonen rundt nevrale nettverk ligger. Den kombinerer sofistikerte teknikker som datasyn og NLP i lag med "dypere" læring som har ført til store fremskritt på områder som bilde- og tekstgjenkjenning. Dette er ypperlig for kompleks modellering, men kan være overkill for enklere og dagligdags forretningsbruk som kan stole på etablerte ML-rammer og teknikker med langt færre parametere.

Dunning forklarer billig læring, betyr enkle, effektive og testede teknikker der bedrifter ikke trenger å investere dyre ressurser for å finne opp hjulet på nytt.

"I databehandling snakker vi mye om lite hengende frukt. Tilgjengeligheten av data og den enorme økningen i beregningskapasitet betyr at vi har senket hele treet, " forklarte han. "Enkel maskinlæring er ikke bare for dataforskere lenger."

Hvordan fungerer billig læring?

Grunnleggende ML-algoritmer kan identifisere korrelasjoner og komme med anbefalinger, eller gjøre opplevelser mer kontekstuelle og personaliserte. Dunning sa at det er en mulighet i stort sett alle aspekter av hvordan vi samhandler med datamaskiner for at de kan bruke billig læring for bare å få ting til å fungere bedre.

Et eksempel på billig læring i praksis er påvisning av svindel. Banker og selgere håndterer utbredt svindel, men det er ofte spredt og angår verdier med lite nok nok til at det ikke blir rapportert. Dunning forklarte at ved å bruke en billig-læringsalgoritme (det vil si en eksisterende ML-test programmert for denne spesifikke oppgaven), kan selgere lettere identifisere de vanlige kompromisspunktene som setter brukere i fare og fanger svindelmønstre som ellers ikke ville vært synlig.

"Anta at du vil finne hvilke selgere som ser ut til å lekker data som fører til svindel. Du kan bruke en G ^2- test for å bare finne hvilke selgere som er overrepresentert i transaksjonshistoriene til ofre for svindel kontra forbrukere uten svindel, " sa. "Dette virker for enkelt til å bli kalt maskinlæring, men det finner skurkene i det virkelige liv. Utvidelser av denne teknikken kan brukes til å øke noe mer avanserte teknikker slik at enklere læringsalgoritmer kan lykkes der de ellers kan mislykkes."

Billig læring kan brukes på alle slags forskjellige måter, så Dunning ga et annet eksempel på hvordan en online virksomhet kan bruke den. I dette tilfellet forklarte han hvordan en eksisterende ML-algoritme kan løse et enkelt problem med kommentarrangering.

"Anta at du har en artikkel med et antall kommentarer til den. Hvilken rekkefølge skal de plasseres i? Hva med å bestille kommentarene i henhold til hvor interessante folk synes de er? Du kan telle antall ganger folk leser kommentaren, og hvordan mange ganger stemmer de over det, men det trengs fortsatt litt magi, "sa Dunning.

"Én stemning fra en leser er sannsynligvis ikke bedre enn åtte stemmer av 10 lesere, " forklarte han. "Enda verre er det at hvis du legger tidlige vinnere på toppen, ser de andre kommentarene aldri dagens lys og du lærer aldri om dem. En liten bit av maskinlæring kalt Thompson sampling kan løse dette på en måte som samler data om nye kommentarer og der rangeringer er usikre, men bestiller dem generelt på en måte som gir brukerne den beste opplevelsen."

Dunning la også ut et sett med beste praksis for hvordan bedriften din kan få mest mulig ut av ML. For en oversikt over hvordan logistikk, data og et arsenal av forskjellige algoritmer og verktøy inngår i en vellykket forretningsstrategi, sjekk ut vår 7 Tips for Machine Learning Suksesshistorie.

2018 and Beyond: Where ML Is Now

Kanskje dette ikke er noen overraskelse for deg, men Big Data og tilhørende databaserom vokser raskt for å si det mildt. Under BigData SV 2018-konferansen i San Jose, presenterte Peter Burris, forskningsansvarlig for teknologeanalytikerfirmaet Wikibon Research, funn som indikerer at inntektene fra den globale Big Data-bransjen anslås å vokse fra $ 35 milliarder dollar i 2017 til 42 milliarder dollar i 2018. På På toppen av det spår Burris inntekter til å nå 103 milliarder dollar innen 2027.

For å effektivt håndtere alle disse dataene, vil smarte ML-løsninger bli enda mer nødvendige enn de er nå. Det er tydelig at ML vil fortsette å være et hett tema i overskuelig fremtid. Da vi sist snakket med MapRs Dunning for et år siden, la han vekt på å ta en beregnet, realistisk tilnærming til ML for virksomheten. Men et år er lang tid når du snakker om tech. Vi har nylig fanget opp Dunning, og ifølge ham har ting holdt seg omtrent det samme siden vår forrige samtale. "På det høyere nivået har ikke mye endret seg, " sa Dunning. "Den grunnleggende ideen om å resonnere fra bevis er absolutt ikke nyheter det siste året, men noe av verktøyet har endret seg."

Med det i bakhodet sa Dunning også at det er flere spillere på banen enn det var for bare et år siden, men det faktum er ikke nødvendigvis en god ting. "En ting som har skjedd er fremveksten av flere og flere leverandører som snakker om 'magisk' maskinlæring, for å sette et stygt ord på det, " forklarte han. "Det er en stor misforståelse at du bare kan kaste dataene dine inn i et produkt og få noen vakre innsikter ut av det."

• Hvorfor maskinlæring er fremtiden Hvorfor maskinlæring er fremtiden
• Comet.ml ønsker å endre hvordan vi samhandler med maskinlæring Comet.ml ønsker å endre hvordan vi samhandler med maskinlæring
• Google forenkler maskinlæring med SQL Google forenkler maskinlæring med SQL

Å forvente et magisk resultat fra ML kan være "overveldende", ifølge Dunning. "Du må fortsatt tenke på hvilket problem som faktisk betyr noe. Du må fremdeles samle inn data, og du må fortsatt administrere distribusjonen av systemet ditt, " sa han. "Og disse pragmatiske, logistiske realitetene dominerer fortsatt problemet."

Dunning tar problem med noen av den høye markedsføringen som tilbys av noen programvareselskaper. "Ingen av de magiske AI-tingene adresserer det engang, " sa han. Han har et råd som bedrifter kan vurdere. Ifølge ham er en måte å sikre god praksis å ansette en spesifikk AI forretningsanalytiker, slik at du kan få noen i bedriften til å identifisere aspekter ved virksomheten din som kan forbedres ved hjelp av ML-teknologi.

"I noen tilfeller kan det være en utvidelse av virksomheten din til nye muligheter, " forklarte Dunning. Men i de fleste tilfeller understreket han imidlertid at det er avgjørende å ansette noen til å forstå organisasjonens behov og bruke den informasjonen til å guide ML-strategien din.