Машинне навчання: що це і як його впровадити

Сьогодні нам часто доводиться чути про такі поняття як штучний інтелект (artificial intelligence), машинне навчання (machine learning) і глибоке навчання (deep learning). Однак не всі з нас насправді знають, що вони означають.

Визначення понять

Отже, для початку розмежуємо поняття «штучний інтелект», «машинне навчання» і «глибоке навчання».

• Штучний інтелект – це досить широке поняття, яке включає в себе вирішення безлічі різних завдань за допомогою моделювання природного інтелекту. Ці технології здебільшого досить футуристичні. На сьогоднішній день ще далеко не всі завдання можуть бути вирішені за допомогою штучного інтелекту.
• Машинне навчання – це особливий підрозділ штучного інтелекту, який деякі ще називають обмеженим штучним інтелектом. По суті, це набір алгоритмів, які використовуються для навчання машин рішенням певних завдань.
• У машинному навчанні існують різні підходи. Одним з таких підходів є глибоке навчання, що дозволяє вирішувати більш складні завдання. Глибоке навчання досить добре справляється з розпізнаванням об’єктів на зображенні, дозволяючи, наприклад, відрізнити кішку від собаки або прочитати номерний знак.

Підходи до машинного навчання

З чого почати впровадження машинного навчання? Один з варіантів передбачає використання активів підприємства (corporate assets). Необхідно зібрати ці дані, а потім скористатися їхнім досвідом в моделі.

Існує три підходи до машинного навчання: статичне навчання (static learning), динамічне навчання (dynamic learning) і навчання з підкріпленням (reinforcement learning).

Щоб забезпечити відповідність стандартам, необхідно оцінювати якість створюваних моделей. При статичному підході навчання моделі ґрунтується на рішенні стандартної задачі. Статичне навчання дозволяє порівнювати роботу моделей між собою.

Дані змінюються, і з плином часу може відбутися дрейф понять (concept drift). В цьому випадку ви перенавчаєте модель, використовуючи нові дані.

Машинне навчання і краудсорсинг

При краудсорсингу часто очікують, що після запуску модель почне навчатися динамічно, поступово поліпшуючись згодом.

Ви повинні бути абсолютно впевнені, що люди, які беруть участь в навчанні, розуміють, що в точності вдають із себе цифрові активи. Коли мова йде про безпеку даних, ціна помилки досить висока. Це далеко не те ж саме, що дати неправильну оцінку фільму або прийняти рись за домашню кішку при розпізнаванні зображень.

Важливо бути дійсно впевненим в тому, що в навчанні беруть участь правильні люди й не спотворюють результати. Крім цього варто враховувати упередженість, яку ви не в змозі контролювати. Також необхідно провести контроль якості (quality assurance) і оцінити результат.

Саме з краудсорсингом пов’язаний один з найбільших міфів в машинному навчанні.

Деякі вважають, що можна просто впровадити краудсорсинг і кожен буде в точності знати, як і що робити. Це не завжди так. Іноді зустрічаються різні думки з приводу того, є інформація чутливою чи ні. Скажімо, у випадку з запрошенням на обід все буде очевидно, але не можна сказати те ж саме про прес-реліз.

Таким чином, ви можете використовувати краудсорсинг. Однак, щоб він був успішним, вам слід встановити критерії успіху, враховувати упередженість, а також використовувати локальні знання людей. Наприклад, фахівцям фінансового відділу відомі одні чутливі активи, відділу кадрів – інші, і т.д.

Сподіваємося, що цим матеріалом нам вдалося прояснити різницю понять «штучний інтелект», «машинне навчання» і «глибоке навчання».

Тепер вам трохи більше відомо про машинне навчання та про те, як впровадити його в своїй організації.