Nešto tehničkog objašnjavanja će verovatno biti neophodno kada planirate kako predstaviti mašinsko učenje širokoj publici, ali dugoročniji zadatak je bolje opisati kao promovisanje: Entuzijastično hvaljenje pogodnosti MU, pre nego zalaženje u tehničke pojedinosti.

Za mnoge kompanije, početna tačka je identifikovanje tih pogodnosti – ili problema koje MU može da reši – što se opet svodi na podatke. Ovoga puta, to je stvar masivnih količina podataka koje tako mnogo organizacija generiše. Postaje sve teže i teže za ljude da sami  pronalaze smisao u podacima, bar ne na efikasan način.

Sposobnost modela mašinskog učenja da se bave više-dimenzionim podacima je od ekstremne pomoći za biznise“, kaže Brok. “Softver poboljšan uz VI može izvesti zadatke poput pronalaženja obrazaca među podacima o pristupanju korisnika i precizno predviđanje zadržavanja korisnika, što bi u suprotnom za ljude bilo nemoguće da izvedu”.

Mek Kort zauzima sličan stav kada je reč o objašnjavanju potencijalnog značaja i vrednosti podataka u poslovnom svetu. Reč je o nalaženju smisla među podacima koji bi inače mogli biti nerazlučivi u blagovremenom roku.

U poslovnom kontekstu, obično govorim o MU kao o alatu koji može omogućiti uvide u komplikovane (ili jednostavne) okolnosti“, kaže Mek Kort. “MU pruža mehanizam da se donose pametnije odluke potpunijim i efektivnijim korišćenjem podataka koji su dostupni vašoj kompaniji. Takođe daje mehanizam kojim određeni izbori mogu biti automatizovani, oslobađajući resurse za timove da donose više kompleksnijih odluka“.

Super moći mašinskog učenja: Učenje iz prakse, detektovanje obrazaca

Kada nastojite da pomognete grupama koje nisu iz oblasti tehnike da razumeju osnovne koncepte mašinskog učenja, Mek Kort rado naglašava da mašinsko učenje uči slično kao i ljudi: praksom.

Mašinama je potrebna struktura u kojoj će postojati (niz pravila) cilj koji treba postići (meriti uspeh i davati fidbek), i prilika da se podbaci i nauči (iteracije nad podacima)“, kaže Mek Kort.

Najzad, kada predstavljate MU širokoj publici, Mek Kort nailazi na uspeh kada naglašava da mašine imaju potencijal da identifikuju obrasce koje ljudi drugačije ne bi uočili. Nije reč o tome da će mašine zameniti ljude same po sebi, već o stvaranju novih mogućnosti koje prethodno nisu postojale.

Mašinsko učenje se često primenjuje s ciljem identifikovanja novog ponašanja i preduzimanja pametnijih akcija. Ponekad, to može podrazumevati zamorne zadatke na kojima bi ljudi obično provodili previše vremena, kao što je označavanje slika ili objava sa uvredljivim sadržajima. Sada oni mogu biti delegirani mašinama“, kaže Mek Kort.

U prošlosti, pisanje pravila (t.j. pisanje koda) kako bi se računar naučio parametrima šta je uvredljivo (a šta je u redu) bi obično predstavljalo veliki izazov, u najboljem slučaju, naglašava Mek Kort.

Sada računare možemo prikazati kao dotok sadržaja iz koga mašine uče kako da naprave odgovarajuće distinkcije“, kaže Mek Kort. Dugoročno,  nadajmo se da je to takođe relativno jednostavan slučaj upotrebe. “Idealno“, dodaje, “ovo prevazilazi navedeni primer, omogućavajući ljudima da koriste MU kako bi rešavali probleme koje ljudi rešavaju loše i sa visokim troškovima, kao što je dijagnostika oboljenja ili predviđanje kvarenja opreme“.

Kako predstaviti mašinsko učenje u odnosu na data nauku

Premda je MU ogranak veštačke inteligencije, data nauka je disciplina koja se bavi prečišćavanjem, pripremanjem i analizom podataka

U svojoj suštini, data nauka je oblast prakse a mašinsko učenje je skup alata i metodologija“, kaže Dž.P. Baritugo, direktor u konsultantskoj kući za poslovnu transformaciju i autsorsing Pace Harmon. “Data nauka koristi širok dijapazon ekspertize, poslovnih znanja, alata i metodologija za obradu velikih količina podataka kako bi se generisali smisleni uvidi koji određuju akcije i omogućavaju poslovne ishode od uticaja“.

Efektivno MU nalaže dobru data nauku. “Ekspertiza data naučnika je apsolutno neophodna kako bi se osiguralo da se mašinsko učenje koristi i sprovodi kako  treba“, kaže Baritugo. Data naučnici se mogu postarati da se obezbedi model sa neophodnom količinom prečišćenih i normalizovanih skupova podataka i poslovnih pitanja koja treba adresirati.

Ipak, data nauka se može primeniti izvan domena mašinskog učenja. “Data nauka je praktična primena veštačke inteligencije, mašinskog učenja i dubokog učenja – zajedno sa pripremanjem podataka – u kontekstu poslovanja“, kaže Inigo Mirzua, osnivač i predsednik platforme za data nauku RapidMiner.

Premda je cilj data nauke da izvuče uvide iz podataka, predvidi razvoj u budućnosti i sugeriše akcije – ponekad čak i obavljanje tih aktivnosti automatski – ovo se ostvaruje alatima kao što su VI i MU“, kaže Mirzua.

Na osnovnom nivou, data naučnik prikuplja i priprema skupove podataka iz višestrukih izvora i zatim primenjuje određenu sposobnost da bi iz njih izvukao uvide. Ima slučajeva u kojima mogu posegnuti za mašinskim učenjem. U ostalim slučajevima, obična analiza može imati smisla. “Bar po mom mišljenju, data nauka je samo manipulisanje podacima“, kaže Vejn Baterfild, direktor kognitivne automatizacije i inovacije u ISG.

Kako predstaviti mašinsko učenje u pogledu mogućnosti upotrebe

Kada se suočavate sa situacijom u kojoj je rešenje skriveno u ogromnim količinama podataka, mašinsko učenje je vaš najbolji prijatelj. “MU je izuzetno za obradu tih podataka izvlačenjem obrazaca iz njih za daleko manje vremena nego što bi trebalo čoveku, i proizvodi uvide koji vam u suprotnom ne bi dili dostupni“, kaže Mirzua.

Na primer, mašinsko učenje (zahvaljujući data nauci) osnažuje analizu rizika, detektovanje pronevera i upravljanje portfoliom u finansijskim uslugama; predviđanja u saobraćaju uspomoć GPS-a, kao i preporučivanje proizvoda i sadržaja za Amazon i Netfliks.

Mašinsko učenje najbolje odgovara problemima za koje već postoje velike količine dobro označenih istorijskih podataka, ili za koje podaci vrlo brzo mogu biti simulirani. “Ne postoji mnogo koristi sa upotrebom MU ako nemate dovoljno postojećih podataka na kojima ga možete trenirati”, kaže Baterfild.

MU modeli su dobri onoliko koliko je visok kvalitet podataka na osnovu kojih uče. “Na sreću, postoji mnogo vrsta problema za koje imamo pregršt podataka“, kaže Timoti Hejvens, profesor Računarskih sistema na Koledžu za računarstvo Tehnološkog univerziteta u Mičigenu i direktor Instituta za računarstvo i sajbersisteme.

Određeni problemi se jako dobro uklapaju sa MU“, objašnjava Baterfild. Data nauka (ne uključujući tu mašinsko učenje) je godinama bila primenjivana za predviđanje i planiranje sa ograničenom tačnošću, na primer. “Ipak, budući da sada možete napraviti kompleksne algoritme koji mogu uzeti u obzir višestruke izvore podataka – kao što su vreme, istorijski obrasci oboljenja, eksterni događaji, potražnja u prošlosti – dobijate mnogo preciznija predviđanja“, kaže Baterfild. “A ovo nije samo na dnevnoj bazi, takođe može biti i na svaki sat“.

U finansijskim uslugama, MU i data nauka mogu dati rešenja za finansijsko preuzimanje rizika i prevenciju pronevera. U okviru IT, mogu unaprediti upravljanje mrežama. Zdravstvene organizacije ih mogu primenti da unaprede tačnost dijagnostike, odrede optimalni miks cene i količine ili predvide ishode pacijenata. U upravljanju korisničkim iskustvom, spajaju se da unaprede interakcije sa kupcima, predivde vrednost životnog ciklusa kupca i predvide odliv korisnika. Maloprodaje ih mogu koristiti kako bi predvidele potražnju, optimizovale cene i segmentirale kupce. U proizvodnji, data nauka i MU se mogu koristiti za automatizaciju lanca nabavke i unapređivanje planiranja.

Kursevi mašinskog učenja [TOP 10+]

Mašinsko učenje u rešavanju rezistencije na antibiotike