Hướng dẫn kinh doanh học máy

Từ xử lý ngôn ngữ tự nhiên (NLP) đến học sâu và hơn thế nữa, học máy (ML) đã đi vào nhiều khía cạnh của các công nghệ kinh doanh phổ biến nhất. ML chỉ là một yếu tố trong cuộc cách mạng trí tuệ nhân tạo (AI), nhưng nó là một yếu tố quan trọng. Các thuật toán ML là một lớp thông minh quan trọng được đưa vào các sản phẩm chúng ta sử dụng và chúng ta sẽ chỉ thấy nó len lỏi vào các trường hợp sử dụng nhiều hơn trong tương lai.

Các thuật toán ML được nhúng vào kết cấu của phần lớn công nghệ chúng ta sử dụng hàng ngày. Những đổi mới ML bao trùm tầm nhìn máy tính, học tập sâu, NLP và hơn thế nữa là một phần của một cuộc cách mạng lớn hơn về AI thực tế. Chúng không phải là robot tự trị hoặc chúng sinh mà là một loại trí thông minh được tích hợp vào các ứng dụng, phần mềm và dịch vụ đám mây của chúng tôi kết hợp thuật toán AI và Dữ liệu lớn dưới bề mặt.

Xu hướng thậm chí còn rõ rệt hơn trong kinh doanh. ML không còn chỉ được sử dụng cho các dự án nghiên cứu chuyên ngành được thực hiện bởi một nhóm các nhà khoa học dữ liệu. Các doanh nghiệp hiện sử dụng ML để có được thông tin kinh doanh có thể hành động (BI) và phân tích dự đoán từ lượng dữ liệu ngày càng tăng. Đó là lý do tại sao điều quan trọng hơn bao giờ hết là không chỉ biết ML là gì, mà còn để tìm hiểu các chiến lược hiệu quả nhất về cách sử dụng nó cho giá trị hữu hình.

Ted Dunning, Tiến sĩ, là Kiến trúc sư ứng dụng chính tại MapR, chuyên cung cấp các công cụ quản lý dữ liệu và phân phối dữ liệu lớn cho các doanh nghiệp, đồng thời cũng là đồng tác giả của hai cuốn sách về cái mà ông gọi là "Học máy thực tế". Cựu chiến binh ở Thung lũng Silicon đã làm việc trong lĩnh vực này trong nhiều thập kỷ, xem các kỹ thuật AI và không gian phát triển đến mức tiến bộ trong điện toán nhận thức và sự sẵn có của các công cụ nguồn mở đã thực sự đưa ML trở thành xu thế. Dunning đã nói chuyện với PCMag để giải thích các thuật ngữ, giải thích ý nghĩa thực sự của ML, và truyền đạt một số thực tiễn khôn ngoan và tốt nhất về cách các doanh nghiệp có thể tận dụng tối đa khoản đầu tư ML của họ.

Một định nghĩa thực tế

Định nghĩa thẳng của ML là cung cấp cho các hệ thống khả năng hành động và lặp đi lặp lại tìm hiểu và thực hiện các điều chỉnh mà không cần lập trình rõ ràng. Dunning cho biết ML là một nhánh thống kê nhưng là một nhánh rất thiết thực. Ông nhấn mạnh rằng, trong bối cảnh kinh doanh trong thế giới thực, bạn cần phải thực dụng và thực tế với cách bạn áp dụng nó. Nhiệm vụ cốt lõi của ML là tạo ra một quy trình kinh doanh có thể lặp lại, đáng tin cậy và có thể thực hiện được.

"Học máy không phải là tìm kiếm dữ liệu khoa học lạc hậu và cố gắng quyết định kết luận nào khả thi", Dunning nói. "Đó là về phía trước, và hỏi những gì chúng ta có thể dự đoán về tương lai và những gì sẽ xảy ra trong các tình huống khác nhau. Khi bắt đầu kinh doanh với dữ liệu này, chúng tôi đang nói về những tình huống rất hạn chế khi bạn muốn nhân rộng."

Tín dụng hình ảnh: Todd Jaquith tại Futurism.com. Nhấn vào đây để mở rộng infographic đầy đủ.

Học sâu so với học rẻ

Bạn có thể chia ý tưởng cơ bản đó thành một số lĩnh vực khác nhau trong ML, nhưng Dunning chỉ ra hai đặc biệt ở hai đầu của phổ: học sâu và cái mà anh ta gọi là "học rẻ." Học sâu là khái niệm phức tạp hơn.

"Chúng tôi muốn học máy để đi sâu hơn. Đó là nguồn gốc của thuật ngữ", Dunning nói. "Trong 10 hoặc 15 năm qua, các kỹ thuật đã được phát triển thực sự làm điều đó. Trước đây, đòi hỏi rất nhiều công việc kỹ thuật để làm cho các mối quan hệ trong dữ liệu hiển thị với các thuật toán, trong một thời gian dài, không thông minh như chúng ta muốn chúng trở thành. Bạn phải đưa ra thuật toán dữ liệu có thể đọc được này trên một tấm, vì vậy chúng tôi đã sử dụng để mã hóa tất cả các tính năng mà các hệ thống hiện đang tự làm. "

Học sâu là nơi có nhiều sự đổi mới xung quanh mạng lưới thần kinh. Nó kết hợp các kỹ thuật tinh vi như thị giác máy tính và NLP thành các lớp học "sâu hơn" đã dẫn đến những bước tiến lớn trong các lĩnh vực như nhận dạng hình ảnh và văn bản. Điều này rất tốt cho mô hình hóa phức tạp nhưng có thể là quá mức cần thiết cho việc sử dụng kinh doanh hàng ngày đơn giản hơn, có thể dựa vào các khuôn khổ và kỹ thuật ML được thiết lập với ít tham số hơn.

Học tập giá rẻ, Dunning giải thích, có nghĩa là các kỹ thuật đơn giản, hiệu quả, đã được thử nghiệm trong đó các doanh nghiệp không cần đầu tư các nguồn lực đắt tiền để phát minh lại bánh xe.

"Trong điện toán, chúng tôi nói rất nhiều về trái cây treo thấp. Sự sẵn có của dữ liệu và sự gia tăng lớn về năng lực tính toán có nghĩa là chúng tôi đã hạ thấp toàn bộ cây, " ông giải thích. "Học máy đơn giản không chỉ dành cho các nhà khoa học dữ liệu nữa."

Học giá rẻ hoạt động như thế nào?

Các thuật toán ML cơ bản có thể xác định các mối tương quan và đưa ra các khuyến nghị, hoặc làm cho các trải nghiệm theo ngữ cảnh và cá nhân hóa hơn. Dunning cho biết có rất nhiều cơ hội trong mọi khía cạnh về cách chúng ta tương tác với máy tính để họ sử dụng học tập giá rẻ để đơn giản làm mọi thứ hoạt động tốt hơn.

Một ví dụ về học tập giá rẻ trong thực tế là trong phát hiện gian lận. Các ngân hàng và thương nhân đối phó với gian lận trên diện rộng, nhưng nó thường phân tán và liên quan đến các giá trị đủ thấp mà nó không được báo cáo. Dunning giải thích rằng bằng cách sử dụng thuật toán học giá rẻ (nghĩa là thử nghiệm ML hiện có được lập trình cho nhiệm vụ cụ thể này), thương nhân có thể dễ dàng xác định các điểm thỏa hiệp phổ biến khiến người dùng gặp rủi ro và bắt các mô hình lừa đảo sẽ không xảy ra có thể nhìn thấy.

"Giả sử bạn muốn tìm ra thương nhân nào dường như bị rò rỉ dữ liệu dẫn đến lừa đảo. Bạn có thể sử dụng thử nghiệm G ² để tìm ra thương nhân nào được đại diện quá mức trong lịch sử giao dịch của nạn nhân lừa đảo so với người tiêu dùng mà không lừa đảo", Dunning nói. "Điều này có vẻ quá đơn giản để được gọi là học máy, nhưng nó tìm thấy những kẻ xấu trong cuộc sống thực. Phần mở rộng của kỹ thuật này có thể được sử dụng để tăng cường một số kỹ thuật tiên tiến hơn cho phép các thuật toán học đơn giản hơn thành công khi chúng có thể thất bại."

Học giá rẻ có thể được sử dụng theo tất cả các cách khác nhau, vì vậy Dunning đã đưa ra một ví dụ khác về cách một doanh nghiệp trực tuyến có thể sử dụng nó. Trong trường hợp này, ông đã giải thích làm thế nào một thuật toán ML hiện có có thể giải quyết vấn đề xếp hạng nhận xét đơn giản.

"Giả sử bạn có một bài viết với một số bình luận về nó. Chúng nên được đặt theo thứ tự nào? Làm thế nào về việc sắp xếp các bình luận theo cách mọi người nghĩ chúng thú vị? Bạn có thể đếm số lần mọi người đọc bình luận, và làm thế nào nhiều lần họ ủng hộ nó, nhưng vẫn cần một chút phép thuật, "Dunning nói.

"Một upvote từ một độc giả có lẽ không thực sự tốt hơn tám upvote trong số 10 độc giả, " anh giải thích. "Thậm chí tệ hơn, nếu bạn đặt người chiến thắng sớm lên hàng đầu, các bình luận khác không bao giờ nhìn thấy ánh sáng và vì vậy bạn không bao giờ tìm hiểu về họ. Một chút học máy có tên là lấy mẫu của Thompson có thể giải quyết điều này theo cách thu thập dữ liệu về nhận xét mới và nơi mà thứ hạng không chắc chắn, nhưng thường đặt hàng chúng theo cách mang lại cho người dùng trải nghiệm tốt nhất. "

Dunning cũng đưa ra một tập hợp các thực tiễn tốt nhất về cách doanh nghiệp của bạn có thể tận dụng tối đa ML. Để biết thêm chi tiết về cách thức hậu cần, dữ liệu và kho vũ khí của các thuật toán và công cụ khác nhau tạo thành một chiến lược kinh doanh thành công, hãy xem 7 Lời khuyên cho câu chuyện thành công của Machine Learning.

2018 và xa hơn: ML hiện đang ở đâu

Có lẽ điều này không gây ngạc nhiên cho bạn, nhưng Dữ liệu lớn và không gian cơ sở dữ liệu liên quan đang phát triển nhanh chóng để nói rằng ít nhất. Trong hội nghị BigData SV 2018 tại San Jose, Peter Burris, Giám đốc nghiên cứu của công ty phân tích công nghệ Wikibon Research, đã trình bày những phát hiện cho thấy doanh thu từ ngành Dữ liệu lớn toàn cầu ước tính tăng từ 35 tỷ đô la năm 2017 lên 42 tỷ đô la vào năm 2018. Trên hết, Burris dự báo doanh thu sẽ đạt 103 tỷ USD vào năm 2027.

Để xử lý hiệu quả tất cả các dữ liệu này, các giải pháp ML thông minh sẽ trở nên cần thiết hơn so với hiện tại. Rõ ràng là ML sẽ tiếp tục là một chủ đề nóng trong tương lai gần. Khi chúng tôi nói chuyện lần cuối với Dunning của MapR một năm trước, anh ấy đã nhấn mạnh đến cách tiếp cận thực tế, có tính toán đối với ML cho doanh nghiệp. Nhưng một năm là một thời gian dài khi bạn nói về công nghệ. Gần đây chúng tôi đã bắt kịp Dunning và theo anh ấy, mọi thứ vẫn như cũ kể từ cuộc trò chuyện cuối cùng của chúng tôi. "Ở cấp độ cao hơn đó, không có nhiều thay đổi, " Dunning nói. "Ý tưởng cơ bản về lý luận từ bằng chứng chắc chắn không phải là tin tức trong năm ngoái, nhưng một số công cụ đã thay đổi."

Với ý nghĩ đó, Dunning cũng nói rằng có nhiều người chơi trong lĩnh vực này hơn so với chỉ một năm trước, nhưng thực tế đó không hẳn là một điều tốt. "Một điều đã xảy ra là sự xuất hiện của ngày càng nhiều nhà cung cấp đang nói về học máy 'ma thuật', để đặt một từ khó chịu lên nó, " ông giải thích. "Có một quan niệm sai lầm lớn rằng bạn chỉ có thể ném dữ liệu của mình vào một sản phẩm và nhận được một số hiểu biết sâu sắc về nó."

• Tại sao học máy là tương lai Tại sao học máy là tương lai
• Comet.ml muốn thay đổi cách chúng ta tương tác với máy học Comet.ml muốn thay đổi cách chúng ta tương tác với học máy
• Google đơn giản hóa việc học máy bằng SQL Google đơn giản hóa việc học máy bằng SQL

Theo Dunning, mong đợi một kết quả kỳ diệu từ ML có thể là "áp đảo". "Bạn vẫn phải suy nghĩ về vấn đề thực sự có vấn đề. Bạn vẫn phải thu thập dữ liệu và bạn vẫn phải quản lý việc triển khai hệ thống của mình", ông nói. "Và những thực tế hậu cần, thực dụng này vẫn chi phối vấn đề."

Dunning có vấn đề với một số tiếp thị cao cả được cung cấp bởi một số công ty phần mềm. "Không có loại AI kỳ diệu nào thậm chí giải quyết được điều đó", ông nói. Ông có một lời khuyên cho các doanh nghiệp để xem xét. Theo ông, một cách để đảm bảo thực hành tốt là thuê một nhà phân tích kinh doanh AI cụ thể để bạn có thể có ai đó trong công ty xác định các khía cạnh của doanh nghiệp có thể được cải thiện bằng công nghệ ML.

"Trong một số trường hợp, đó có thể là một sự mở rộng kinh doanh của bạn sang những cơ hội mới, " Dunning giải thích. Tuy nhiên, trong hầu hết các trường hợp, ông nhấn mạnh rằng việc thuê ai đó để hiểu nhu cầu của tổ chức bạn và sử dụng thông tin đó để hướng dẫn chiến lược ML của bạn là rất quan trọng.