"Эффективное принятие решений в современной сложной и нестабильной бизнес-среде должно быть взаимосвязанным, контекстуальным и непрерывным для достижения хороших результатов".
 — Gartner, Как принимать лучшие бизнес-решения ‍

Как указано в отчете Gartner — и это узнали те, кто применил машинное обучение (ML), — ML может быть важным инструментом для принятия более эффективных бизнес-решений в сегодняшней сложной среде. Однако существует ошибочное мнение, что для достижения таких результатов достаточно построить только модель машинного обучения. Это не так.

Модели машинного обучения — это прогнозы возможных результатов для любого заданного сценария. Создание непрерывного, связанного и контекстуального процесса, описанного Gartner, означает приведение моделей в действие, позволяя моделям машинного обучения информировать интеллектуальные системы принятия решений, которые обеспечивают хорошие результаты.

Успешные интеллектуальные системы принятия решений имеют несколько характеристик:

  • Постоянно учитесь улучшать результаты
  • Содержит одну или несколько моделей ML
  • Принимает решение или рекомендацию
  • Включает элементы управления и прозрачность

Системы принятия решений постоянно учатся улучшать результаты.

Модель машинного обучения без системы принятия решений — это всего лишь снимок момента времени. Модели статичны, основаны только на начальном снимке данных. Чтобы сделать модели динамичными, они должны жить в интеллектуальной Системе принятия решений, которая непрерывно передает данные о результатах, обучая модель тому, что она сделала правильно или неправильно. Эта петля обратной связи между моделями машинного обучения и системами принятия решений — то место, где компании могут застрять. Команды тратят много времени и усилий на настройку и настройку одной модели в надежде на оптимальное состояние предсказуемости. Когда и если эта модель наконец развернута (большой ЕСЛИ), она редко меняется. Он не учится и не растет в режиме реального времени, если вообще учится. Это ничем не отличается от старого дерева решений. Модели машинного обучения, которые постоянно тестируются и совершенствуются как часть интеллектуальных систем принятия решений, обеспечивают наилучшие возможные результаты на постоянной основе.

Системы принятия решений используют одну или несколько моделей машинного обучения.

Хорошие бизнес-решения часто имеют несколько целей, и иногда эти цели конкурируют друг с другом. Для достижения нескольких целей вам необходимо несколько моделей, прогнозирующих эффективность каждой цели. Например, финтех хочет повысить уровень принятия кредитных предложений от потенциальных клиентов. Если бы они просто построили одну модель машинного обучения для оптимизации этой цели, это, вероятно, привело бы к убыточным кредитам и, возможно, даже к увеличению ставок списания. С помощью системы принятия решений они могут рассматривать несколько моделей, в том числе ту, которая оптимизирует прибыльность кредита.

Системы принятия решений принимают решение или рекомендацию (т.е. они сделали выбор)

Итак, теперь, когда у вас есть несколько целей и моделей, нужно действовать. В машинном обучении принятие решения о действиях с конкурирующими моделями выражается в виде целевой функции. Обычно это специально закодированная часть программного обеспечения, которая требует, чтобы разработчик запускал прогнозы моделей для каждого варианта решения, чтобы определить наилучший выбор в этом сценарии. В Intelligent Decision System — это автоматизировано. Целевые функции, которые уже включены, могут даже взвешивать важность цели, чтобы соответствовать вашим бизнес-целям.

Системы принятия решений имеют контроль и прозрачность.

С таким мощным инструментом, как машинное обучение, средства контроля необходимы для принятия правильных решений, соответствующих передовым практикам бизнеса или нормативно-правовой среде. Контроль и прозрачность поведения моделей также необходимы для укрепления доверия между внутренними и внешними заинтересованными сторонами, на которых могут повлиять результаты модели. Точно так же, как вы бы не хотели, чтобы все водили машину без общей системы дорог и правил, интеллектуальные системы принятия решений обеспечивают ограждения и хорошо размеченную дорогу для движения. Модели машинного обучения сами по себе не содержат этих элементов управления. Это математические алгоритмы, дающие прогнозы независимо от ваших бизнес-правил и ограничений. Успешная система принятия решений позволяет заинтересованным сторонам проектировать для четкого понимания оптимальных результатов, оставаясь при этом в рамках своих бизнес-принципов.

Самые успешные компании мира извлекают выгоду из машинного обучения, подключая и развертывая их в рамках интеллектуальных систем принятия решений. Эти системы выходят за рамки создания одной модели, рассматривая несколько моделей и циклов обратной связи в постоянно меняющихся условиях, сохраняя при этом контроль над бизнесом. Модель без системы принятия решений подобна Феррари без колес — громкая и никуда не едет.

Первоначально опубликовано на https://www.savviai.com.