№ 1: Сіздің компьютеріңізде қандай машиналарды оқыту және оны қалай табуға болады

Бұл 6 бөлімнен тұратын оқулықтың 1-бөлімі. Премьер-министр үшін машиналық оқытуға негізделген өнімді жасауға арналған қадамдық нұсқаулық. Бүкіл серияларды шолу үшін сілтемені басыңыз.

ML-ге инвестиция салу 10 жыл бұрын ұялы телефонға инвестиция салу сияқты - бұл сіздің бизнесіңізді өзгерте алады

Қолда бар деректерді сұрау - бұл белгілі және кең таралған тәртіп. Алайда, ML - деректерді талдаудағы келесі шекара. Бұл компьютерлік бағдарламалар деректерде анықтайтын үлгіні қолдана алатын, болжаулар жасай алатын немесе түсінікке ие болатын және тәжірибе арқылы осы түсініктерді жетілдіретін пән. Компаниялардың көп деректерге қол жетімділігі болғандықтан, машиналық оқыту оларға мәліметтер масштабын түсінуге көмектеседі. Гранулярлық жекелеген пайдаланушылардың өзара әрекеттесуінен ғаламдық беталыстарға және олардың ғаламшарға әсеріне дейін өзгереді. Бұл білімді қолдану пиксель деңгейіндегі пайдаланушы тәжірибесін бейімдеуден бастап қазіргі уақытта жоқ жаңа өнімдер мен бизнес мүмкіндіктерін құруға дейін болуы мүмкін. ML ішкі деректерді қолданудан әлдеқайда көп болатындығын ескеріңіз. ML өнімділігі көбінесе ішкі және сыртқы деректерді біріктіріп, бұрын мүмкін болмаған жаңа түсініктер алу арқылы көбейтілуі мүмкін.

A16Z-тің Фрэнк Чен жасанды интеллекттің ықтимал қосымшаларына өте жақсы кіріспеге ие, олардың көпшілігі машинада оқуды қажет етеді немесе қажет етеді. Бұл қосымшалардың кейбіреулері болашаққа бағытталған және қазіргі технологиямен жүзеге асырыла алмайды, бірақ мүмкіндіктер туралы жақсы әсер қалдырады.

8-10 жыл бұрын тұтынушы компаниялар мобильді құрылғыларға қаражат салу туралы ойлағандай, енді компанияларға ML-ді бизнестің нәтижесін шығаруға көмектесетін технология ретінде қарастыратын уақыт келді. Қолданыстағы ML технологияларын қолдануға назар аударатын компаниялар үшін сіз ұсынатын ML функциялары үшін бірнеше маңызды тақырыптар бар. Олар толық емес немесе бір-біріне ұқсамайды, бірақ компанияңызға әсер етудің әртүрлі перспективаларын ұсынады:

  • Қоршаған ортаны, тәжірибені және пайдаланушының жүйелік реакциясын жаппай бейімдеу. Адам жасаған немесе көрген барлық нәрсені оларға бейімдеуге болатындығын елестетіп көріңіз, тіпті олардың қажеттіліктері мен мінез-құлқын болжай аласыз. Бұл өзектілігіне қарай тапсырыс берілген өнімдер мен қызметтерге арналған ұсыныстарды қамтиды. Пайдаланушы туралы, олардың мінез-құлқы, оған ұнайтын басқа адамдар немесе сыртқы деректер туралы, соның ішінде келесіде не істейтінін болжау туралы және т.б. туралы білетін пайдаланушы тәжірибесі немесе ағындары. Шағын масштабта бұл тәжірибені сегменттерге бейімдей алады. жеке тұлғалардың орнына жетекші пайдаланушылар.
  • Нысандарды көрнекі түрде анықтау және тәжірибені сәйкесінше автоматтандыру немесе бейімдеу мүмкіндігі. Бүгінгі технология фотосуреттер мен бейнелердегі нысандарды, тіпті тірі камерада да анықтай алады. Осылайша, Pinterest қолданушы көріп отырған фотодағыларға ұқсас / қосымша нысандарды ұсынады. Facebook достарға фотосуретке белгі қою керектігін ұсыну үшін бетті тану технологиясын қолданады. Amazon нысандарды визуалды сәйкестендіру және т.б. негізінде автоматты түрде бақылау жасайды.
  • Автоматты түрде іздеу, мазмұнды құру немесе өңдеу. ML әлемдегі үлкен көлемдегі мазмұнды жылдам өңдеуге мүмкіндік береді. Жалпы қолданыстағы құжаттар - бұл іздеу, мысалы. Сот ісіне қатысты барлық құжаттарды табыңыз (бұл кілт сөздерден асып түсетіндігін ескеріңіз), құжаттарды тақырып және кілт сөздер бойынша жіктеңіз, мазмұнды автоматты түрде жинақтап, мазмұнның үлкен көлемінен тиісті ақпаратты алыңыз - мыс. Сауда-саттық келісім-шарттарында нақты терминдерді іздестіру және т.б. «Мазмұн» бұл жерде тек мәтінге ғана емес, сонымен қатар ақпарат құралдарының барлық түрлеріне қатысты.
  • Болжамдар, бағалар және масштабтағы тенденциялар. ML өте қымбат немесе қиын болатын болжауды болжайды. ML, әсіресе, жоғары деңгейлі тәжірибені талап ететін болжау жасау үшін пайдалы, мысалы, Мысалы, үйдің бағасы, тіпті әлеуметтік медиада қандай мазмұнның жақсы болатындығын адам анықтай алмайды. Сондай-ақ, машиналар адамдарға көрінбестен бұрын мәліметтердің беталысын анықтай алады.
  • Ерекше әрекеттерді немесе жүйелік қателерді анықтау. Әр жүйеде қателер мен проблемалар бар. ML-де сіз проблемалардың туындағанын немесе анықталмайтындығын, сонымен қатар ерекше және алаңдаушылықты анықтай алмайсыз. Бұл әсіресе әртүрлі бақылау және қауіпсіздік жүйелерінде пайдалы.

Стратегиялық тұрғыдан алғанда, ML әр түрлі бизнес нәтижелеріне қол жеткізе алады:

  • Клиенттер үшін жетілдірілген тәжірибе мен функционалдық Ең көп кездесетін жағдай жаппай теңшеу болып табылады: тұтынушыларыңызға тезірек және тиімдірек болатын өнімді табыңыз, мысалы Танысу сайттарындағы ең жақсы сәйкестіктер, музыкалық сайттарда ұнайтын әндер, олар сатып алғысы келетін бұйымдар және басқалар. Басқа жағдай - оларды болжауды олар басқа нысандар немесе жағдайлар туралы хабарлау үшін пайдалану. болар еді. Бұл жалпы болуы мүмкін - мысалы Zillows Zestimate үйді кім қарайтынына немесе жеке тұтынушыға қалай бейімделетініне қарамастан бірдей бағалайды. Пайдаланушы көрмеген фильмді өзінің ерекше талғамына байланысты бағалайтын рейтинг.
  • Ішкі функциялар, процестер және іскери логика. Машиналық оқыту сіздің уақытыңызды үнемдейді және бизнес процестер мен шешімдерге ресурстарды салудың тиімділігін арттырады. Мысалы: Несие беруші өзінің ықтимал несие берушілермен байланысын басымдыққа алғысы келеді. Несиені кім ұсынғысы келсе, оны алу үшін алғысы келетінін, бірақ оны қайтара алатындығын анықтау керек. Несиелік қабілеті жоғары клиенттерге басымдық беру міндетті түрде жауап болып табылмайды, өйткені мұндай клиенттердің көптеген нұсқалары бар және оларды айырбастау мүмкіндігі аз. Сондықтан неғұрлым күрделі модель қажет.
  • Жаңа өндірістер мен жаңа өнімдерді кеңейту. Деректер сізге жаңа бизнес мүмкіндіктерін ашуға көмектеседі - бар тұтынушыларыңыз үшін жаңа өнімдер жасауға немесе бұрын қызмет көрсетпеген сегменттерге немесе тұтынушыларға қызмет көрсетуге көмектеседі. Мысалы, Netflix негізгі аудиторияға ие емес студияларға қай аудиторияға сәйкес келетін тақырыптар мен сюжеттер туралы мәліметтерді сату арқылы қызмет көрсете алады. Zillow жылжымайтын мүлік салушыларға инвестициялардың ең жоғары кірісіне қол жеткізу үшін қандай құрылыс функциялары қолданылатындығын түсінуге көмектеседі.

Алдымен қай облысты мақсатты түрде таңдау бизнеске мүмкін болатын әсерге, мәселенің күрделілігіне және сол әсерге қол жеткізуге байланысты болады.

«Біз өз деректерімізбен бір нәрсе жасауымыз керек» - бұл стратегия емес, ақпараттану, проблема

Көптеген компаниялар деректерді зерттеушілерді, ML модельдерін жасайтын адамдарды іздейді, өйткені «біз өз деректерімізбен бір нәрсе жасауымыз керек». Көрнекті компаниялардың көптеген басшылары «біз бәсекелестеріміздің деректерді сатып жатқанын көріп отырмыз, сондықтан біз бәсекеге қабілетті болып қалу үшін оны жасауымыз керек» деп айтқанын естідім. Содан кейін біз бірнеше сиқыршылар пайда болады деп үміттеніп, бірнеше ғалымдарды жалдадық. Бұл мені ML туралы үлкен түсініспеушілікке әкеледі.

ML сіздің компанияңыз үшін сиқырлы таяқша емес. ML-дегі бірінші міндет - бұл технология әкелуі тиіс бизнеске әсерін анықтау. ML - бұл шешім - алдымен мәселені анықтау керек: Сіз ML-мен қандай бизнес нәтижелеріне қол жеткізгіңіз келеді? ML сіздің тұтынушыларыңызға қандай пайда әкелуі мүмкін? ML - бұл балға, бірақ егер сізде тырнақ болмаса, онда балға аса пайдалы емес. Клишені одан әрі кеңейту үшін, ML - балғалардың өте әмбебап жиынтығы. Тырнақтың түрі сіз қай балғамен таңдайтындығыңызды және оны қалай қолданғаныңызды анықтайды. Сіз шешуге тырысатын нақты мәселе бәрін анықтайды - нәтиже қалай пайдаланылады, моделіңіз нені болжайды және оны қалай калибрлеу керек, қандай мәліметтерді жинайсыз және өңдеймін, қандай алгоритмдерді тексересіз және тағы басқа сұрақтар.

Оның негізінде «Біз қандай мәселені шешеміз?» Деген бизнес-сұрақ, бұл анықтама, ақырында, деректерді зерттеушілер емес, өнім менеджерлері мен директорларының жауапкершілігін білдіреді. Деректерді зерттеушілер мен басқа мүдделі тараптар анықтамада міндетті түрде болуы керек - оларға сұрақ қоймаңыз және жауаптармен оралуын күтіңіз. Егер сізде таныс емес деректер болса, компанияның басқа клиенттерімен тұтынушылармен сұхбат және идеялар өткізіңіз. Деректерді зерттеушілер сіздің деректеріңізді, идеяларыңыз бен итерацияларыңызды тексеруге көмектеседі. Алайда, егер сізде проблемалық аймақтар туралы кең білім болмаса, бизнес-корпусты өзіңіз жасау қиынға соғады. Компания үшін ML мәнін арттыру үшін өнім менеджерлері мен деректерді зерттеушілер арасындағы үздіксіз ынтымақтастық қажет, мұнда өнім менеджерлері шешілетін мәселелердің компания үшін ең тиімді екендігіне жауап береді.

Қаптамадан шығару ML сіздің бизнесіңізді қалай дамыта алады

ML мүмкіндіктері шексіз болса да, технологияны сіздің бизнесіңізге қалай қолдануға болатындығы туралы өзіңізден бірнеше сұрақ туындауы мүмкін. Мұнда бірнеше мысалдар келтірілген:

Ішкі процестер

  • Қазіргі уақытта менің компаниямдағы адамдар өз білімдерін басқа жерде пайдалану үшін автоматтандыруға болатын шешімдер қабылдау үшін білімді қайда қолданады?
  • Әдетте қандай деректер менің компаниямдағы белгілі бір дүкендерден ізделеді, жиналады немесе алынады және мұны қалай автоматтандыруға болады?
  • Менің компаниямдағы қызметкерлер қандай шешімдер қабылдайды? Егер менің қызметкерлерімнің барлық мәліметтерін сиқырлы түрде жинаса, машина бұл шешімдерді қабылдай ала ма?

Бар клиенттер үшін өнімдер мен тәжірибе

  • Менің клиенттермен қарым-қатынасымның қандай бөліктерін адамдар реттейді және оларды машиналар бейімдей алады?
  • Мен өзімнің клиенттерімнің ерекшеліктеріне, мінез-құлқына және қажеттіліктеріне қарай нақты сегментация жасай аламын ба? Менің өнімім / тәжірибем әр сегментке бейімделген бе?
  • Мен әр клиент үшін олар туралы білетін ақпаратқа немесе менің сайтпен / қолданба / өніммен қалай қарым-қатынас жасайтыныма қарай тәжірибе жасай аламын ба? Мен олар үшін қалай жақсы, жылдам немесе жағымды тәжірибе жасай аламын?
  • Мен бүгін өз клиенттерімнен сұрағым келетін шешімдер мен шешімдер қандай? Бұл шешімдер менде бар немесе болуы мүмкін білім негізінде автоматтандырылуы мүмкін бе?
  • Клиенттің жақсы немесе жаман тәжірибесін қалай жақсы анықтауға болады? Клиенттің тәжірибесіне немесе тұтынушының қанағаттануына теріс әсер ететін мәселелерді олар пайда болғанға дейін немесе таралмай тұрып таба аламын ба?

Жаңа салалар немесе тапсырыс берушілер

  • Менде осы саладағы немесе сабақтас салалардағы басқа да мүдделі тараптарға пайдалы болуы мүмкін мәліметтер бар ма? Осы мүдделі тараптар қандай шешімдер қабылдай алады?

Жоғарыда бәрі

  • Егер дұрыс болжанған болса, қандай өлшемдер мен трендтер менің клиенттерге қызмет ету қабілетіме әсер етуі мүмкін немесе салада бәсекелесе алады, мысалы белгілі бір тауар санаттарына болжамды сұраныс, өзіндік құбылыстар және т.б.
  • Мен қандай деректерді жинаймын (адамдар, компаниялар, өнімдер және т.б.)? Мен бұл деректерді сыртқы деректермен (мемлекеттік дереккөздерден, серіктестерден және т.б.) осы нысандар туралы маған жаңа немесе пайдалы нәрсе айтатындай байланыстыра аламын ба? Кімге және қалай пайдалы? Мысалы: сіздің өніміңізді тапқыңыз келетін әлеуетті тұтынушыларды анықтаңыз, сыртқы факторлар сіздің салаңыздағы сұранысқа қалай әсер ететінін түсінеді және соған сәйкес реакция жасайды және т.б.

Сіздің тобыңызбен және ұйымдағы негізгі мүдделі тараптармен бірге осы сұрақтардың кейбіреуін (және басқаларын) ойлаңыз. Егер сіз неден бастасаңыз, бір жерден бастаңыз. Егер сіз жай ғана кейбір деректермен тәжірибе жасасаңыз, онда сіз және сіздің командаңыз сол жерден қайда бару керектігін анықтай аласыз.

2-бөлімде премьер-министрлерге технологияны таңдау сіздің проблемаңызды анықтауға қалай әсер ететінін түсіну үшін барлық ML терминдері, сонымен қатар сіздің бизнесіңізге әсер етуі керек кейбір модельдеу мәселелері қарастырылады.

Егер сіз бұл жазбаны қызықты деп тапсаңыз, маған оны пайдалы деп тапқан адаммен бөлісу немесе оны бөлісу үшін төмендегі жасыл жүректі басыңыз. Бұл менің күнім болар еді!