Sommario:
- Una definizione pratica
- Apprendimento profondo vs. apprendimento economico
- Come funziona l'apprendimento economico?
- 2018 and Beyond: Where ML Is Now
Video: Dalla strategia aziendale all'azione: impostare obiettivi aziendali e i KPI grazie alla BSC (Settembre 2024)
Dall'elaborazione del linguaggio naturale (NLP) all'apprendimento profondo e oltre, l'apprendimento automatico (ML) è entrato in molti aspetti delle tecnologie aziendali più popolari. La ML è solo uno dei fattori della rivoluzione dell'intelligenza artificiale (AI), ma è importante. Gli algoritmi ML sono un livello di intelligenza vitale integrato nei prodotti che utilizziamo e lo vedremo solo insinuarsi in più casi d'uso in futuro.
Gli algoritmi ML sono integrati nel tessuto di gran parte della tecnologia che utilizziamo ogni giorno. Le innovazioni ML che abbracciano la visione computerizzata, l'apprendimento profondo, la PNL e oltre fanno parte di una rivoluzione più ampia intorno all'IA pratica. Non sono robot autonomi o esseri senzienti, ma un tipo di intelligenza integrata nelle nostre app, software e servizi cloud che combina algoritmi AI e Big Data sott'acqua.
La tendenza è ancora più pronunciata nel mondo degli affari. ML non è più utilizzato esclusivamente per progetti di ricerca specializzati intrapresi da un team di data scientist. Le aziende fanno ora uso della ML per ottenere business intelligence (BI) fruibile e analisi predittiva da quantità sempre maggiori di dati. Ecco perché è più importante che mai non solo sapere cos'è l'ML, ma anche imparare le strategie più efficaci su come usarlo per un valore tangibile.
Una definizione pratica
La semplice definizione di ML sta dando ai sistemi la capacità di agire e di apprendere e apportare iterativamente aggiustamenti, senza alcuna programmazione esplicita. Dunning ha affermato che ML è una branca della statistica ma una branca molto pratica. Ha sottolineato che, in un contesto commerciale nel mondo reale, devi essere pragmatico e realistico con il modo in cui lo applichi. Il compito principale di ML è quello di creare un processo aziendale ripetibile, affidabile ed eseguibile.
"L'apprendimento automatico non consiste nel guardare indietro ai dati scientifici e nel cercare di decidere quali conclusioni siano valide", ha detto Dunning. "Si tratta di guardare al futuro e chiedere cosa possiamo prevedere sul futuro e cosa accadrà in vari scenari. Quando si tratta di fare affari con questi dati, stiamo parlando di situazioni molto limitate in cui si desidera la replicabilità."
Credito immagine: Todd Jaquith su Futurism.com. Fare clic per espandere l'infografica completa.
Apprendimento profondo vs. apprendimento economico
Puoi suddividere quell'idea di base in un numero di campi diversi all'interno di ML, ma Dunning ha indicato due in particolare su entrambe le estremità dello spettro: l'apprendimento profondo e quello che chiama "apprendimento economico". L'apprendimento profondo è il concetto più complicato.
"Volevamo che l'apprendimento automatico andasse più in profondità. Questa è l'origine del termine", ha detto Dunning. "Negli ultimi 10 o 15 anni sono state sviluppate tecniche che lo fanno effettivamente. Un tempo richiedevano molto lavoro di ingegneria per rendere le relazioni nei dati visibili agli algoritmi, che per lungo tempo non erano così intelligenti come noi volevano che lo fossero. Dovevi consegnare gli algoritmi di questi dati appetibili su un piatto, quindi abbiamo usato per codificare manualmente tutte queste funzionalità che i sistemi ora fanno da sole."
Il deep learning è la parte principale dell'innovazione attorno alle reti neurali. Combina tecniche sofisticate come la visione artificiale e la PNL in strati di apprendimento "più profondo" che hanno portato a enormi passi avanti in settori come il riconoscimento di immagini e testi. Questo è ottimo per la modellazione complessa, ma può essere eccessivo per gli usi aziendali più semplici e quotidiani che possono fare affidamento su quadri e tecniche ML consolidati con molti meno parametri.
L'apprendimento economico, ha spiegato Dunning, significa tecniche semplici, efficaci e collaudate in cui le aziende non hanno bisogno di investire risorse costose per reinventare la ruota.
"Nell'informatica, parliamo molto di frutti a basso consumo. La disponibilità di dati e il massiccio aumento della capacità computazionale significa che abbiamo abbassato l'intero albero", ha spiegato. "L'apprendimento automatico semplice non è più solo per i data scientist".
Come funziona l'apprendimento economico?
Gli algoritmi ML di base possono identificare correlazioni e formulare raccomandazioni o rendere le esperienze più contestuali e personalizzate. Dunning ha affermato che esiste un'opportunità in quasi tutti gli aspetti del modo in cui interagiamo con i computer affinché possano usare l'apprendimento economico semplicemente per far funzionare meglio le cose.
Un esempio di apprendimento economico in pratica è il rilevamento delle frodi. Banche e commercianti affrontano frodi diffuse, ma sono spesso disperse e riguardano valori abbastanza bassi da non essere segnalati. Dunning ha spiegato che utilizzando un algoritmo di apprendimento economico (ovvero un test ML esistente programmato per questo specifico compito), i commercianti possono identificare più facilmente i punti comuni di compromesso che mettono a rischio gli utenti e individuano schemi di frode che altrimenti non sarebbero visibile.
"Supponiamo che tu voglia scoprire quali commercianti sembrano perdere dati che portano a frodi. Puoi utilizzare un test G 2 per trovare semplicemente quali commercianti sono sovrarappresentati nella cronologia delle transazioni delle vittime di frodi rispetto ai consumatori senza frode", Dunning disse. "Questo sembra troppo semplice per essere chiamato machine learning, ma trova cattivi nella vita reale. Le estensioni di questa tecnica possono essere utilizzate per aumentare tecniche un po 'più avanzate permettendo agli algoritmi di apprendimento più semplici di avere successo dove altrimenti potrebbero fallire."
L'apprendimento economico può essere utilizzato in molti modi diversi, quindi Dunning ha dato un altro esempio di come un business online potrebbe utilizzarlo. In questo caso, ha spiegato come un algoritmo ML esistente può risolvere un semplice problema di classificazione dei commenti.
"Supponi di avere un articolo con un numero di commenti su di esso. In quale ordine dovrebbero essere inseriti? Che ne dici di ordinare i commenti in base a quanto le persone pensano che siano? Puoi contare il numero di volte in cui le persone leggono il commento e come molte volte lo votano, ma c'è ancora un po 'di magia necessaria ", ha detto Dunning.
"Un voto di un lettore probabilmente non è in realtà migliore di otto voti su 10 lettori", ha spiegato. "Ancora peggio, se si mettono in cima i primi vincitori, gli altri commenti non vedono mai la luce del giorno e quindi non si impara mai su di loro. Un po 'di apprendimento automatico chiamato campionamento Thompson può risolvere questo in un modo che raccoglie dati su nuovi commenti e dove le classifiche sono incerte, ma generalmente le ordina in modo da offrire agli utenti la migliore esperienza ".
Dunning ha inoltre definito una serie di migliori pratiche su come la tua azienda può trarre il massimo vantaggio dalla ML. Per un'analisi dettagliata di come la logistica, i dati e un arsenale di diversi algoritmi e strumenti si trasformano in una strategia aziendale di successo, dai un'occhiata ai nostri 7 Suggerimenti per il successo dell'apprendimento automatico.
2018 and Beyond: Where ML Is Now
Forse questo non ti sorprende, ma i Big Data e lo spazio del database associato stanno crescendo rapidamente per non dire altro. Durante la conferenza BigData SV 2018 a San Jose, Peter Burris, Chief Research Officer della società di analisi tecnica Wikibon Research, ha presentato risultati indicanti che le entrate provenienti dall'industria globale dei Big Data sono stimate da $ 35 miliardi nel 2017 a $ 42 miliardi nel 2018. Inoltre, Burris prevede che le entrate raggiungeranno i 103 miliardi di dollari entro il 2027.
Per gestire efficacemente tutti questi dati, le soluzioni ML intelligenti diventeranno ancora più necessarie di quanto non siano ora. È evidente che ML continuerà a essere un argomento caldo per il prossimo futuro. L'ultima volta che abbiamo parlato con MapR's Dunning un anno fa, ha sottolineato di adottare un approccio calcolato e realistico alla ML for business. Ma è un anno che parliamo di tecnologia. Di recente abbiamo incontrato Dunning e, secondo lui, le cose sono rimaste invariate dalla nostra ultima conversazione. "A quel livello più alto, non è cambiato molto", ha detto Dunning. "L'idea di base del ragionamento dalle prove non è certo una novità nell'ultimo anno, ma alcuni degli strumenti sono cambiati".
Con questo in mente, Dunning ha anche detto che ci sono più giocatori sul campo di quanti ce ne fossero solo un anno fa, ma questo fatto non è necessariamente una buona cosa. "Una cosa che è successa è l'emergere di sempre più venditori che parlano di machine learning" magico ", per dire una brutta parola", ha spiegato. "C'è un grande malinteso sul fatto che puoi semplicemente gettare i tuoi dati in un prodotto e ricavarne alcune belle intuizioni."
- Perché il machine learning è il futuro Perché il machine learning è il futuro
- Comet.ml vuole cambiare il modo in cui interagiamo con l'apprendimento automatico Comet.ml vuole cambiare il modo in cui interagiamo con l'apprendimento automatico
- Google semplifica l'apprendimento automatico con SQL Google semplifica l'apprendimento automatico con SQL
Aspettarsi un risultato magico da ML può essere "deludente", secondo Dunning. "Devi ancora pensare a quale problema effettivamente conta. Devi ancora raccogliere dati e devi ancora gestire la distribuzione del tuo sistema", ha detto. "E queste realtà logistiche e pragmatiche continuano a dominare il problema."
Dunning mette in discussione alcuni degli alti marketing offerti da alcune società di software. "Nessuna delle cose magiche di intelligenza artificiale riesce nemmeno a risolverlo", ha detto. Ha un consiglio da prendere in considerazione per le imprese. Secondo lui, un modo per garantire le buone pratiche è assumere un analista di business AI specifico in modo che possa avere qualcuno nella tua azienda identificare gli aspetti del tuo business che possono essere migliorati utilizzando la tecnologia ML.
"In alcuni casi, potrebbe essere un'estensione della tua azienda a nuove opportunità", ha spiegato Dunning. Ma nella maggior parte dei casi, tuttavia, ha sottolineato che assumere qualcuno per comprendere le esigenze della propria organizzazione e utilizzare tali informazioni per guidare la propria strategia ML è cruciale.
