Нечеловеческие усилия: какие проблемы бизнеса можно решить с помощью машинного обучения | Большие Идеи
Технологии

Нечеловеческие усилия: какие проблемы бизнеса можно решить с помощью машинного обучения

Анастасия Федик
Нечеловеческие усилия: какие проблемы бизнеса можно решить с помощью машинного обучения
hbr.org

«Искусственный интеллект» (ИИ), «большие данные» и «машинное обучение» – модные слова, и, вероятно, вам любопытно, как все эти вещи можно применить в вашей деятельности. Возможно даже, что ваш порог постоянно обивают различные стартапы, всячески рекламирующие свои новые продукты с использованием ИИ. Только как вам узнать, в каких проблемах вашего бизнеса можно задействовать машинное обучение? Для этого вам нужно рассмотреть задачу, требующую решения, и все доступные данные, а затем задать себе три вопроса: о выполнимости, интуиции и ожиданиях.

Начать следует с разграничения между проблемами автоматизации и проблемами обучения. Машинное обучение, разумеется, может способствовать автоматизации процессов, однако не все задачи автоматизации требуют функций обучения.

Автоматизация без обучения применима в тех случаях, когда речь идет об относительно простых проблемах. Они состоят из ясной, заранее определенной последовательности действий, которые в настоящий момент выполняются человеком, но вполне могут быть доверены машине. Такого рода автоматизация бизнеса продолжается уже не первый десяток лет. Один из примеров проблемы, поддающейся простой автоматизации, – проверка входящих данных из внешнего источника на наличие известных и четко обозначенных ошибок. Например, хедж-фонды автоматически отфильтровывают ошибочные данные, представленные в виде отрицательного значения объема торговли, поскольку эта переменная не может быть отрицательной. С другой стороны, кодирование человеческой речи в структурированный набор данных является, пожалуй, слишком амбициозной задачей для обычной автоматизации.

Для второго типа проблем автоматизации явно недостаточно, поскольку они требуют обучения на основе данных. Именно в этот момент мы попадаем в область машинного обучения. Машинное обучение в основе своей представляет собой набор статистических методов, призванных находить предсказуемые последовательности в наборах данных. Эти методы позволяют весьма эффективно определять, как те или иные свойства данных соотносятся с результатами, которые вас интересуют. В то же время им недоступны знания за пределами предоставленных вами данных.

Например, в конце 90-х годов исследователи из Питтсбургского университета провели оценку алгоритмов машинного обучения, задача которых состояла в том, чтобы предсказывать уровень смертности больных пневмонией. В ходе эксперимента выяснилось, что алгоритмы рекомендуют больницам выписывать пациентов с пневмонией, но только в тех случаях, когда они также страдают от астмы. Из их расчетов выходило, что при совпадении двух этих условий риск смерти от пневмонии снижался. В итоге оказалось, что в данных, которыми располагал алгоритм, не учитывался тот факт, что при поступлении в больницу пациенты с астмой сразу же направлялись в отделение интенсивной терапии, где врачи уделяли им больше внимания. Именно поэтому (а вовсе не из-за астмы) они лучше себя чувствовали.

Итак, с какими проблемами бизнеса хорошо справляется машинное обучение? Главным образом с теми, которые, во-первых, требуют функции предсказания, а не простого анализа причинно-следственных связей, а во-вторых, достаточно замкнуты или изолированы от внешних воздействий. Первое подразумевает, что вас интересует, как те или иные аспекты данных соотносятся друг с другом за пределами их причинно-следственной зависимости. Помните, что статистические методы не располагают ни интуицией, ни теорией, ни предметными знаниями аналитиков-людей. Второе означает, что вы уверены (в пределах разумного), что данные, которые вы передаете алгоритму охватывают в большей или меньшей степени все аспекты проблемы. Если в будущем процесс, который вы пытаетесь предсказать, неожиданно изменится и перестанет соответствовать найденным прежде закономерностям, алгоритм перестанет нормально функционировать.

К хорошим примерам проблем, решаемых с помощью машинного обучения, относятся такие задачи, как предсказание вероятности, что определенный тип пользователей кликнет по рекламе определенного вида, или оценка похожести фрагмента текста с ранее просмотренными текстами.

советуем прочитать
Войдите на сайт, чтобы читать полную версию статьи
советуем прочитать
«Театр — это живое дело»
Ника Пархомовская
Бремя наследства
Ирина Пешкова