Но я не хочу выигрывать в настольной игре, я хочу выигрывать в бизнесе.

Изучив, что такое машинное обучение и почему это аромат месяца, в этом последнем посте будут рассмотрены потенциальные преимущества для организаций.

Вопрос на миллион долларов: может ли машинное обучение принести пользу более традиционным организациям? Или он зарезервирован для таких, как Facebook и Google? Здесь много шумихи, и необходимо позаботиться о том, чтобы решить подлинную бизнес-проблему. Тем не менее, машинное обучение, безусловно, может стать частью решения серьезной аналитической проблемы, и на самом деле это происходит уже много лет (просто тогда мы не называли это машинным обучением).

Финансовые услуги

Сексуальные технологии всегда находят пристанище в финансовых услугах (я думаю, потому что у них есть наличные деньги и целая индустрия консультантов, пытающихся выпороть им решения проблем, о которых они даже не подозревали). Есть несколько очень элегантных примеров применения машинного обучения к финансовым услугам в цифровой среде для создания элегантных продуктов, ориентированных на клиента. Робо-советники — одни из моих любимых (в основном потому, что я всегда представляю себе линию роботов, кричащих по телефону «покупай» или «продай». Чего, вероятно, не бывает).

На самом деле робо-консультирование относится к автоматизированному управлению портфелем, при котором инвестиции распределяются по классам инвестиций на основе аппетита к риску отдельного инвестора и рыночных условий в реальном времени. Лимиты устанавливаются на основе индивидуальной склонности клиента к риску, которая обычно измеряется с помощью набора вопросов, заданных клиенту. Алгоритмы машинного обучения, такие как машины опорных векторов и искусственные нейронные сети, затем используются для моделирования и прогнозирования нарушений списков рисков и проактивного перемещения средств между различными классами активов, чтобы обеспечить максимальную прибыль в пределах индивидуальной допустимости риска инвестора. Все в реальном (или близком к реальному) времени. Шикарный.

Еще более близкое мне применение машинного обучения — обнаружение мошенничества в реальном времени. Вы знаете те автоматические звонки и текстовые сообщения, которые вы получаете от своей кредитной карты и банковских провайдеров, когда вы выпили бутылку вина и совершили огромную покупку в Интернете, и они предполагают, что вы, должно быть, стали жертвой мошенничества, потому что ни один здравомыслящий человек не стал бы этого делать. когда-нибудь тратили 2000 фунтов стерлингов на обувь за одну транзакцию? Это машинное обучение. Алгоритмы используются для моделирования ваших типичных моделей расходов, а затем отслеживают ваши транзакции в режиме реального времени на предмет поведения, которое отклоняется от этого. По мере того как вы предоставляете модели обратную связь (подтверждая или отрицая факт мошенничества), модель изучает и использует ее для повышения точности будущих предупреждений. (И, в моем случае, приходит понимание, что любые онлайн-покупки, которым предшествует транзакция в баре, скорее всего, будут подлинными).

От фермерства к моде

Что, если вы не работаете в высокоэффективном корпоративном секторе? Что ж, есть примеры успешного применения машинного обучения для решения проблем в таких разных отраслях, как сельское хозяйство и мода. В молочном животноводстве алгоритмы машинного обучения используются для определения того, следует ли оставить коров в стаде или удалить их в зависимости от их продуктивности. В земледелии машинное обучение используется для оптимизации решений по выбору сельскохозяйственных культур путем прогнозирования урожайности; раннее выявление и классификация болезней сельскохозяйственных культур; и определить, когда и сколько поливать посевы. В развивающихся странах, где устойчивое сельское хозяйство необходимо для удовлетворения потребностей быстро растущего населения, такие технологии имеют решающее значение.

На менее достойном конце шкалы машинное обучение недавно начало разрушать индустрию моды. Механизмы рекомендаций, которые изучают отзывы клиентов о том, нравится им или не нравится наряд, существуют уже некоторое время. Сейчас в разработке находятся приложения, которые измеряют, насколько моден ваш выбор одежды, используя комбинацию распознавания изображений и машинного обучения. В дизайне нейронные сети передаются существующим образцам печати на ткани и используются для разработки новых привлекательных.

Не только для единорогов

Одно из распространенных заблуждений об анализе данных в целом и о передовых методах, таких как машинное обучение, в частности, заключается в том, что их реализация требует больших затрат и для их использования требуются высококвалифицированные специалисты. Не поймите меня неправильно, если вы строите чрезвычайно сложную модель, которая будет лежать в основе корпоративной стратегии ценообразования или будет определять открытие лекарств в фармацевтической промышленности, тогда вам абсолютно необходим кто-то, кто знает свои карты самоорганизации из квантования векторов обучения, и, вероятно, какая-то довольно надежная архитектура для обработки требуемого уровня вычислений.

Однако одним из явлений, сопровождающих появление передовых технологий, таких как машинное обучение, является общая демократизация анализа данных. Многие из инструментов, которыми владеют специалисты по данным, имеют открытый исходный код. Да, вам нужны необходимые навыки для их использования, но достаточные знания и навыки для создания простых моделей можно почерпнуть из бесплатного онлайн-контента от таких поставщиков, как Coursera, General Assembly и многих других.

В 2015 году Amazon запустила предложение по машинному обучению на основе облачных вычислений, которое предоставляет инструменты визуализации и мастера, позволяющие специалистам, не занимающимся данными, получать представление о своих данных с минимальными вложениями в инфраструктуру и навыки. Таким образом, владельцы малого бизнеса и стартапы не должны чувствовать себя лишенными возможности использовать анализ данных в целом или машинное обучение в частности там, где его можно использовать для решения реальных бизнес-задач. Например, сегментация клиентов; прогнозирование движения денежных средств; анализ настроений бренда; и персонализация контента веб-сайта.

Заключение

Машинное обучение может быть мощной силой во благо, но лица, принимающие решения, должны понимать, что оно не является стратегией само по себе. Он (как и анализ данных в целом) потенциально может стать частью решения (настоящей) бизнес-проблемы. Задача состоит в том, чтобы в первую очередь четко сформулировать проблемы и желаемые результаты. В противном случае, как и многие другие недавно разрекламированные достижения в области данных, это просто становится технологией, ищущей проблему для решения (содрогание). Тем не менее, быстро снижающаяся стоимость вычислений, доступность облачных решений, управляемых мастерами, и любовь средств массовой информации к машинному обучению заложили основы для этой шестидесятилетней технологии, которая будет играть ключевую роль в продолжающейся эволюции анализа данных.

(PS — я намеренно сделал эту серию пенистой и не коснулся чего-то глубокого, например, роли машинного обучения в области общего искусственного интеллекта. В основном потому, что это пугает меня до чертиков. Если вы хотите никогда больше не спать, прочитайте это, затем это).