К сожалению, не все проекты, связанные с применением машинного обучения в компаниях, начинаются с оценок возможного экономического эффекта от внедрения. По рынку ходит много историй про «внедрим машинное обучение, потому что это модно». И это не шутка! На курсе Data Mining In Action я слышала прекрасный пример того, как не надо делать ML-проекты. В одном банке серьезно разрабатывали рекомендательную систему, чтобы из шести предлагаемых услуг выбрать пять, которые будут показываться пользователю в блоке рекомендаций. Но еще ироничней закончилось тестирование разработанной модели на сайте: на блок рекомендаций кликнуло всего 2 человека за месяц, что с учетом бюджета проекта дало стоимость клика порядка 1 млн рублей. Проблема здесь была, конечно, даже не в бесполезности рекомендаций, а в дизайне блока и в его расположении, что испортило бы результат даже с самым лучшим алгоритмом. Возможно, некоторые компании могут позволить себе такое «машинное обучение», но вряд ли какая-то компания осознанно желает получить подобные результаты.
Статья из серии 'пирожки ни с чем'. Ни конкретных кейсов (понимаю, NDA), ни отсылок. Напоминает "программные" статьи Володина и Медведева. И статьи для конференции в студенческий сборник.
Data Science переоценено? Несомненно. Только вот в летающие автомобили и точность detection покупателей в магазинах около 98% по-прежнему верят. И это ещё с обратной стороны не смотрим, где увлечённые питонисты, которые раньше херачили на Django, решили, что TensorFlow стал моднее и молодежнее.
Сейчас, кажется, наступает охлаждение в экономике и насыщение в Data Science. Последнее, правда, скорее в части бюджетов, но иначе как "завышенные ожидания" к этой области знания относиться сложно.
Действительно, об успешных проектах рассказывают куда охотнее, чем о проектах с неуспешным завершением. Но если вы хотите узнать больше о них, то есть записи failconf на YouTube с прошлого DataFest.
Как раз мысль этой статьи была в том, что Data Science сильный и мощный инструмент, но обращаться с ним нужно осторожно.
Причем компании в основном из-за масштабируемости нацелены на сервисы: в случае ИТ — для разработчиков (MS Azure, Amazon, Яндекс.Облако), в случае телекома — ближе к корпоративному сегменту (OneFactor).
Не могли бы вы раскрыть этот пассаж подробнее? Не совсем понятно о каких сервисах идет речь.
Указанные компании долго собирали данные, работали с ними, и в итоге у них получились дополнительные сервисы.
Вот у Microsoft появился MS Azure, у Amazon AWS.
Или я не совсем поняла Ваш вопрос?