Какие бизнес-задачи решает машинное обучение
Машинное обучение будет эффективным инструментом, если поставленная задача отвечает трем условиям. И решить задачу можно не только через нейронные сети. В ML есть другие методы, которые обучаются быстрее, дешевле и имеют такое же практическое применение в бизнесе.
Привет, я Павел, занимаюсь аналитикой и методами применения искусственного интеллекта в Cloud.ru, ведущем провайдере облачных и AI-технологий*. Нашу компанию знают по суперкомпьютерам Christofari и Christofari Neo. Но немногим известно, что на этих компьютерах обучались нейросети семейства GPT, ruDall-E, несколько релизов Kandinsky. А еще у нас в активе среда для ML-разработки, готовые модели и сервисы, компетенции и реализованные проекты в области машинного обучения. В общем, мы умеем в ML.
*Ведущий по объему выручки AI-сервисов за 2022 год (по данным CNews Analytics), PaaS-сервисов за 2022 год (по данным iKS-Consulting), по темпам роста IaaS-сервисов за 2021-2022 годы (по данным iKS-Consulting).
Что такое машинное обучение
Машинное обучение — это когда компьютер анализирует данные и учится на их основе как человеческий мозг. Определение из Википедии: машинное обучение — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счет применения решений множества сходных задач.
Результатом машинного обучения является программный код или выжимка из него в виде набора коэффициентов, который называют моделью машинного обучения. Модель позволяет получить ответ на поступающий на входе запрос.
Термин можно проиллюстрировать задачей, например, по физике. По сути, есть два пути ее решения:
- путь отличника: решить задачу и сверить результат с ответом в конце учебника;
- путь хорошиста: сначала посмотреть в ответы, а потом искать решение, чтобы получить нужный результат.
Модель машинного обучения подбирает параметры, но не само решение. Продолжая тему физики, то наше решение — формула, а задача машинного обучения — вычислить коэффициенты и степени для этой формулы.
Те, кто учился хорошо, пошли заниматься машинным обучением. Они знают ответ и под него подбирают решение, чтобы следом получать ответы в похожих задачах.
Самый известный метод ML — это глубокое обучение нейронных сетей. Его используют для решения очень многих задач: от распознавания номеров и лиц до диалоговых систем на основе моделей GPT.
Кроме deep learning есть и другие методы машинного обучения, которые эффективно решают бизнес-задачи: работа с временными рядами, графовые сети, reinforcement learning, кластеризация. Они подходят для предсказания цен на акции, рекомендательных систем для интернет-магазинов, оптимизации складских запасов, кредитного скоринга, оценки стоимости подержанных автомобилей.
Главная разница в том, что для deep learning в отличие от других методов машинного обучения придется долго и дорого обучать нейросети, иногда на миллиарды параметров.
Мы проводили исследование компаний по всей России, кто использует технологии искусственного интеллекта. И выяснили, что каждая вторая задача, связанная с машинным обучением, не относится к глубокому обучению нейронных сетей. Это говорит о том, что есть классы алгоритмов, которые относятся к машинному обучению, имеют практическое применение, решаются на облачных ресурсах и которые не связаны с дорогим и долгим обучением нейронных сетей.
Что выделяет и объединяет эти задачи:
- для большинства из них уже придуманы алгоритмы решения и написаны программные библиотеки и примеры, позволяющие быстро обучить модель на данных клиента;
- сложность алгоритмов машинного обучения оказывается «под капотом», а на первый план выходят задачи подготовки и правильной интерпретации данных бизнеса — это лежит на стороне разработчика ML моделей;
- облачная платформа для работы с ML помогает быстро обучить модель и получить результаты предсказания для практического применения.
Какой должна быть задача, чтобы ML-модель решила ее эффективно
Чтобы модель машинного обучения сработала эффективно, задача должна одновременно соответствовать трем условиям:
задача не считается точно аналитически или численно, существует вариативность решений;
- нет алгоритмов, основанных на правилах, либо они сложны и не обеспечивают требуемую точность;
ML-модель даст большую точность прогноза, чем используемый способ, и в сравнении с ним позволит оптимизировать баланс между доходами и расходами.
Задачи с несколькими вариантами решений
В основе практически любой модели машинного обучения лежит статистическая модель, которая дает ответ с определенной точностью. Проще говоря, модели ставится задача не в формате «сколько будет 2,5+2 ½?», а «сделай аналогично, используя входные данные».
Задачи, где нет алгоритмов, основанных на правилах
Если процесс решения задачи можно формализовать и описать в виде набора правил и регламентов, применение ML, скорее всего, не будет эффективным. В противоположной ситуации (медицинская диагностика, поиск по аналогии, рекомендательные системы) можно смело рекомендовать использование ML.
Задачи, где модель ML повышает точность прогноза
Более точный прогноз для задачи, допускающей различные решения, позволяет получить большую прибыль.
Есть еще два параметра, которые влияют на точность модели машинного обучения:
достаточность данных: если исходных данных слишком мало, модель не сможет полноценно научиться и не будет соответствовать условию про повышение точности прогноза;
- понимание задачи: нужно правильно применять модели. Если ваша задача про прогноз спроса на товар, вам не поможет переводчик с японского.
Вместо заключения
Мы в Cloud.ru работаем над тем, чтобы сделать машинное обучение доступным инструментом для бизнеса. Мы убираем сложные сущности (пайплайны, контейнеры, фреймворки для обучения моделей) внутрь платформы Cloud.ru ML Space, тем самым понижая требования к квалификации ML-разработчика. Мы собираем и делаем сами готовые примеры для решения типовых задач, чтобы в нужный момент не изобретать решение заново, а эффективно повторить готовое.
Материалы в тему
Мы проводили классный вебинар про AI-сервисы для бизнеса, которые не требуют вообще никакой экспертизы в data science.
Еще был вебинар про нейросеть Kandinsky 2.1, его будет интересно посмотреть тем, кому интересно, как его создавали, обучали и как им пользоваться.
Написали статью «Как начать использовать AI и ML на практике», в которой дали пошаговый план действий по внедрению искусственного интеллекта для бизнес-задач.
Если интересно узнать про реальную пользу AI для бизнеса, посмотрите вебинар «Как успешно внедрить AI: кейсы и экономика в цифрах».