Машинное обучение (МО) — это тип искусственного интеллекта (ИИ), который позволяет программным приложениям более точно прогнозировать результаты, автоматизирует процесс построения аналитической модели и позволяет компьютерам независимо адаптироваться к новым сценариям. Его алгоритмы используют исторические данные в качестве входных данных для прогнозирования новых выходных значений.
Сегодня МО используется в самых разных областях и имеет множество назначений, начиная от прогнозирования поведения клиентов и заканчивая созданием операционной системы для беспилотных автомобилей.
Возможно одним из самых известных примеров машинного обучения в действии является механизм рекомендаций, который используется в новостной ленте Facebook для персонализации фидов пользователей. Если участник часто читает посты определенной группы, механизм рекомендаций начнет показывать в ленте чаще активности этой группы, если же участник не будет читать сообщения группы какое-то время, лента новостей изменится. Программное обеспечение CRM при помощи модели МО анализирует входящую почту помогая отделу продаж отвечать на самые важные сообщения в первую очередь. Более продвинутые системы могут даже рекомендовать потенциально эффективные ответы. Информационные системы управления персоналом могут использовать модели МО для фильтрации откликов и выявления лучших кандидатов на вакансию. Алгоритмы машинного обучения позволяют полуавтономному автомобилю распознавать частично видимый объект и предупреждать водителя. Умные помощники обычно сочетают контролируемые и неконтролируемые модели для интерпретации естественной речи и предоставления контекста. МО помогает предприятиям лучше изучить клиентов: собирая данные и сопоставляя их с поведением с течением времени, алгоритмы изучают ассоциации и помогают командам адаптировать инициативы по разработке продуктов и маркетингу к потребительскому спросу. Uber, например, использует алгоритмы для сопоставления водителей с пассажирами. Google или Яндекс - чтобы показывать рекламу в поиске.
Но наряду со всеми преимуществами существует также проблема предвзятости МО. Алгоритмы, обученные на наборах данных, исключающих определенные совокупности или содержащих ошибки, могут привести к неточным моделям, которые в лучшем случае не работают, а в худшем — дискриминируют. Если предприятие строит основные бизнес-процессы на предвзятых моделях, это может нанести ущерб регулятивным требованиям и репутации. В некоторых отраслях специалистам приходится использовать более простые модели, потому что бизнесу важно понимать, как было принято то или иное решение, особенно в таких отраслях как банковское дело и страхование. Сложные модели могут давать более точные прогнозы, но тем труднее объяснить неспециалисту, как был определен результат. Проекты машинного обучения также требуют дорогостоящей программной инфраструктуры.
Тем не менее платформы машинного обучения входят в число наиболее конкурентоспособных областей корпоративных технологий. Продолжающиеся исследования в области глубокого обучения и искусственного интеллекта все больше сосредоточены на разработке более общих приложений. Современные модели ИИ требуют тщательного обучения, чтобы создать алгоритм, оптимизированный для выполнения одной задачи. Но некоторые исследователи изучают способы сделать модели более гибкими и ищут методы, которые позволят машине применять контекст, полученный в ходе одной задачи, к другим будущим задачам.
#машинное обучение #искусственный интелект #программирование