ДС с Сэнди
Когда ML/AI является подходящим решением?
Эвристики, которые помогут вам определить, помогут ли ML или AI решить вашу следующую проблему.
Цели: понять, когда машинное обучение/ИИ является подходящим решением, изучив примеры.
Хотите верьте, хотите нет, ML / AI — это не волшебная палочка, которая лучше всего подходит для решения всех проблем человечества. Важно понимать, когда ML является подходящим решением. Для этого необходимо глубокое понимание проблемы.
Ниже приведены некоторые простые эвристические данные о том, когда ML/AI может быть полезен для решения вашей бизнес-задачи. Каждый случай индивидуален, но эти рекомендации — хорошее начало, если вы изучаете потенциал включения машинного обучения в свои варианты использования:
· Доступен большой объем полезных данных
· Требуются результаты в режиме реального времени или почти в реальном времени
· Простых формул или эмпирических правил недостаточно
Давайте рассмотрим несколько проблем и проанализируем, будут ли ML / AI действительным решением этих проблем.
Случай 1:
Компании, выпускающей вашу кредитную карту, требуется помощь в определении того, является ли списание действительным или мошенническим.
Компании, выпускающие кредитные карты, кредитуют миллионы людей, большинство из которых взимают плату ежедневно. Вероятно, было бы неэффективно или своевременно, если бы кто-то вручную проверял, действителен ли платеж. Вы не хотите, чтобы компания, выпускающая вашу кредитную карту, сообщала вам, что в прошлом месяце что-то выглядело подозрительно… Эти события зависят от времени и требуют немедленных действий.
Кроме того, давайте обдумаем информацию, которую нам необходимо знать, чтобы определить, является ли рассматриваемое обвинение действительным. Мы можем захотеть узнать частоту трат клиентов, среднюю сумму оплаты за транзакцию, типичное местонахождение оплаты или любую другую переменную, которая может помочь нам предсказать, является ли эта транзакция действительной. Это кажется сложным! Похоже, ML сможет решить эту проблему своевременно и эффективно.
Случай 2:
Вам нужна помощь в составлении бюджета дискреционного дохода или пособия.
Итак, вы хотите выяснить, какой у вас бюджет на покупки в этом месяце? Некоторые электронные таблицы Excel и простые формулы могут быть очень полезны, но вы работаете с небольшими объемами данных, и ответ не очень чувствителен ко времени — это не похоже на проблему, подходящую для ML.
Случай 3:
Ваши смарт-часы транслируют ход вашей текущей тренировки, чтобы определить, сколько времени осталось до того, как вы сожжете 100 калорий.
Потоковые данные звучат так, как будто есть много данных, которые нужно проанализировать! Если определенные показатели (сожженные калории, выход энергии, текущее время тренировки и т. д.) записываются почти постоянно, и вы используете эти данные в качестве входных данных, чтобы предсказать, сколько еще времени осталось до достижения определенного количества калорий… Похоже, у вас есть что-то, с чем ML может вам помочь!
Случай 4:
Вы хотите спрогнозировать, в какой стране в среднем будут проживать самые счастливые люди в следующем году.
Основываясь на исторических данных, вы хотели бы предсказать будущий результат. Прогнозирование — это традиционный вариант использования машинного обучения. Для этой задачи вы должны использовать различные функции, такие как продолжительность жизни,% импровизированного населения и т. Д., В качестве входных данных для надлежащего прогнозирования выходных данных. На самом деле, в промышленности мы называем эту тему прогнозной аналитикой, и вокруг нее сосредоточено целое поле!
Вкратце
ML / AI — это полезный инструмент для решения сложных задач, связанных с огромным количеством данных и/или требующих результатов, чувствительных ко времени. Однако не каждая проблема связана с машинным обучением! Если задачу можно выполнить своевременно и качественно без использования ML — делайте это. Когда машинное обучение не подходит для решения проблемы, оно может привести к увеличению бюджета при большем использовании технических ресурсов и увеличении трудозатрат. В следующий раз, когда вы не будете уверены, является ли ML подходящим решением, просмотрите эвристики!
Если вы хотите узнать больше, я считаю приведенные ниже статьи очень полезными для объяснения следующего уровня детализации — взгляните.
https://towardsdatascience.com/when-machine-learning-solutions-are-not-feasible-649d229241b6
https://towardsdatascience.com/the-limitations-of-machine-learning-a00e0c3040c6
https://hbr.org/2016/11/how-to-tell-if-machine-learning-can-solve-your-business-problem
