La guia empresarial per a l'aprenentatge automàtic

Des del processament del llenguatge natural (PNL) fins a l'aprenentatge profund i més enllà, aprenentatge automàtic (ML) ha entrat en molts aspectes de les tecnologies empresarials més populars. ML és només un dels factors intel · ligència artificial ( FINS AL ) revolució, però és important. Els algorismes de ML són una capa d'intel·ligència vital que s'incorpora als productes que utilitzem, i només veurem que s'introdueix en més casos d'ús en el futur.



Els algorismes de ML estan integrats en el teixit de bona part de la tecnologia que fem servir cada dia. Les innovacions de ML que abasten visió per ordinador, aprenentatge profund, PNL i més enllà formen part d'una revolució més gran al voltant de la IA pràctica. No són robots autònoms ni éssers sensibles, sinó un tipus d'intel·ligència integrada a les nostres aplicacions, programari i serveis al núvol que combina algorismes d'IA i Big Data sota la superfície.

La tendència és encara més pronunciada en els negocis. El ML ja no s'utilitza únicament per a projectes de recerca especialitzats duts a terme per un equip de científics de dades. Les empreses ara fan ús de l'ML per obtenir intel·ligència empresarial (BI) i anàlisi predictiva a partir d'una quantitat de dades cada cop més gran. És per això que és més important que mai no només saber què és ML, sinó també conèixer les estratègies més efectives sobre com utilitzar-lo per obtenir un valor tangible.





Ted Dunning, arquitecte cap d'aplicacions de MapR Ted Dunning, Ph.D., és l'arquitecte cap d'aplicacions de MapR, que proporciona distribucions de Big Data i eines de gestió de dades per a empreses, i també ha estat coautor de dos llibres sobre el que ell denomina ' Aprenentatge automàtic pràctic .' El veterà de Silicon Valley ha treballat al camp durant dècades, observant les tècniques d'IA i l'espai evolucionar fins al punt que els avenços en la informàtica cognitiva i la disponibilitat d'eines de codi obert realment han portat ML al corrent principal. Dunning va parlar amb Garon per tallar l'argot, explicar què significa realment ML i impartir una mica de saviesa i bones pràctiques sobre com les empreses poden treure el màxim profit de la seva inversió en ML.

Una definició pràctica

La definició directa de ML és donar als sistemes la capacitat d'actuar i d'aprendre i fer ajustos iterativament, sense cap programació explícita. Dunning va dir que ML és una branca de l'estadística, però una branca molt pràctica. Va destacar que, en un context empresarial del món real, cal ser pragmàtic i realista amb com ho apliqueu. La tasca principal de ML és crear un procés empresarial que sigui repetible, fiable i executable.



impressora hp envy photo 7858

'L'aprenentatge automàtic no es tracta de mirar enrere les dades científiques i intentar decidir quines conclusions són viables', va dir Dunning. 'Es tracta de mirar 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.'

Entendre l'aprenentatge automàtic
Crèdit d'imatge: Todd Jaquith at Futurism.com . Feu clic per ampliar la infografia completa.

Aprenentatge profund versus aprenentatge barat

Podeu desglossar aquesta idea bàsica en diversos camps diferents dins de l'ML, però Dunning en va assenyalar dos en particular a cada extrem de l'espectre: l'aprenentatge profund i el que ell anomena 'aprenentatge barat'. L'aprenentatge profund és el concepte més complicat.

ressenyes sobre droid turbo 2

'Volíem que l'aprenentatge automàtic anés més a fons. Aquest és l'origen del terme', va dir Dunning. 'Durant els últims 10 o 15 anys, s'han desenvolupat tècniques que realment ho fan. [L'aprenentatge automàtic] solia requerir molta feina d'enginyeria per fer visibles les relacions de les dades als algorismes, que, durant molt de temps, no van ser tan intel·ligents com volíem que fossin. Havies d'enviar algorismes aquestes dades agradables en un plat, així que acostumàrem a codificar manualment totes aquestes característiques que ara fan els sistemes per si sols'.

L'aprenentatge profund és on es troba gran 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 donat lloc a grans avenços en àrees com el reconeixement d'imatges i textos. Això és ideal per al modelatge complex, però pot ser exagerat per a usos empresarials quotidians més senzills que poden dependre de marcs i tècniques de ML establerts amb molts menys paràmetres.

L'aprenentatge barat, va explicar Dunning, significa tècniques senzilles, efectives i provades on les empreses no necessiten invertir recursos cars per reinventar la roda.

'En informàtica, parlem molt de fruita baixa. La disponibilitat de dades i l'augment massiu de la capacitat computacional significa que hem rebaixat tot l'arbre', va explicar. 'L'aprenentatge automàtic simple ja no és només per als científics de dades'.

acer chromebook cb3-532

Com funciona l'aprenentatge barat?

Els algorismes bàsics de ML poden identificar correlacions i fer recomanacions, o fer que les experiències siguin més contextuals i personalitzades. Dunning va dir que hi ha una oportunitat en pràcticament tots els aspectes de com interactuem amb els ordinadors perquè utilitzin l'aprenentatge barat per fer que les coses funcionin millor.

Un exemple d'aprenentatge barat a la pràctica és la detecció de fraus. Els bancs i els comerciants s'enfronten a un frau generalitzat, però sovint està dispers i té valors prou baixos que no s'informa. Dunning va explicar que utilitzant un algorisme d'aprenentatge barat (és a dir,una prova de ML existent programada per a aquesta tasca específica),els comerciants poden identificar més fàcilment els punts comuns de compromís que posen en risc els usuaris i detectar patrons de frau que d'altra manera no serien visibles.

'Suposem que voleu trobar quins comerciants semblen estar filtrant dades que condueixen a frau. Podeu utilitzar un G2 prova simplement trobar quins comerciants estan sobrerepresentats en els historials de transaccions de les víctimes de frau versus consumidors sense frau', va dir Dunning. 'Això sembla massa senzill per anomenar-se aprenentatge automàtic, però troba nois dolents a la vida real. Les extensions d'aquesta tècnica es poden utilitzar per augmentar tècniques una mica més avançades que permeten que algorismes d'aprenentatge més senzills tinguin èxit allà on podrien fallar d'una altra manera.

L'aprenentatge barat es pot utilitzar de moltes maneres diferents, així que Dunning va donar un altre exemple de com un negoci en línia podria utilitzar-lo. En aquest cas, va explicar com un algorisme de ML existent pot resoldre un problema senzill problema de classificació de comentaris .

Suposem que teniu un article amb diversos comentaris. En quin ordre s'han de posar? Què tal ordenar els comentaris segons com d'interessants pensen que són? Podeu comptar el nombre de vegades que la gent llegeix el comentari i quantes vegades el voten, però encara cal una mica de màgia ', va dir Dunning.

'Un vot favorable d'un lector probablement no és millor que vuit vots favorables de cada 10 lectors', va explicar. 'Pitjor encara, si poseu els primers guanyadors al damunt, els altres comentaris mai veuen la llum i, per tant, mai no en coneixeu. Una mica d'aprenentatge automàtic anomenat mostreig de Thompson pot resoldre això d'una manera que recopila dades sobre comentaris nous i on els rànquings són incerts, però generalment els ordena d'una manera que ofereix als usuaris la millor experiència'.

Call of Duty Zombies Roblox

Recomanat pels nostres editors

SupercomputacióPer què l'aprenentatge automàtic és el futur Previsió d'ingressos de la mida del mercat de Big Data a tot el món del 2011 al 2027Google simplifica l'aprenentatge automàtic amb SQL Comet.ml vol canviar la manera com interactuem amb l'aprenentatge automàtic

Dunning també va presentar un conjunt de pràctiques recomanades sobre com la vostra empresa pot treure el màxim profit de l'ML. Per obtenir un desglossament de com la logística, les dades i un arsenal d'algorismes i eines diferents tenen en compte una estratègia empresarial d'èxit, consulteu la nostra història d'èxit de 7 consells per a l'aprenentatge automàtic.

2018 i més enllà: on és ara ML

Potser això no us sorprengui, però el Big Data i l'espai de bases de dades associats creixen ràpidament com a mínim. Durant el BigData SV 2018 conferència a San Jose, Peter Burris, director d'investigació de l'empresa d'analistes tecnològics

Per gestionar eficaçment totes aquestes dades, les solucions intel·ligents de ML seran encara més necessàries del que són ara. És evident que ML continuarà sent un tema candent en el futur previsible. La darrera vegada que vam parlar amb Dunning de MapR fa un any, va posar èmfasi en adoptar un enfocament calculat i realista de l'ML per a les empreses. Però un any és molt de temps quan parles de tecnologia. Fa poc ens vam trobar amb Dunning i, segons ell, les coses s'han mantingut gairebé igual des de la nostra darrera conversa. 'En aquest nivell superior, no ha canviat gaire', va dir Dunning. 'La idea bàsica de raonar a partir de l'evidència certament no és notícia durant l'últim any, però algunes de les eines han canviat'.

càmera digital canon de 16,0 megapíxels

Amb això en ment, Dunning també va dir que hi ha més jugadors al camp que fa només un any, però aquest fet no és necessàriament bo. 'Una cosa que ha passat és l'aparició de cada cop 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 introduir les vostres dades a un producte i treure'n una visió bonica'.

Segons Dunning, esperar un resultat màgic de ML pot ser 'decepcionant'. 'Encara has de pensar quin problema importa realment. Encara heu de recollir dades i encara heu de gestionar el desplegament del vostre sistema', va dir. 'I aquestes realitats pragmàtiques i logístiques encara dominen el problema'.

Dunning s'oposa a alguns dels alts màrquetings que ofereixen algunes empreses de programari. 'Cap de les coses màgiques de la IA ni tan sols aborda això', va dir. Té un consell que les empreses han de tenir en compte. Segons ell, una manera d'assegurar les bones pràctiques és contractar un analista de negocis d'IA específic per tal que algú de la vostra empresa 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, però, va subratllar que contractar algú per entendre les necessitats de la vostra organització i utilitzar aquesta informació per guiar la vostra estratègia de ML és crucial.

Recomanat