2 четких сигнала, когда машинное обучение — правильное решение, которое вам поможет.

Помните, что ИИ или машинное обучение не являются правильным решением для всех типов проблем.

Существуют определенные проблемы, что машинное обучение решает очень хорошо.

Но есть и другие проблемы, для которых машинное обучение не является лучшим или даже правильным решением.

Когда не использовать машинное обучение?

Мы дадим вам 1 очень простой способ узнать, не следует ли вам использовать машинное обучение.

Если вы можете точно описать правила для решения проблемы, не используйте машинное обучение.

Четкий сигнал не использовать машинное обучение.

Ключ вот в том, что если вы сталкиваетесь с проблемой, который можно решить, на 100%, с заранее определенными шагами, которые вы можете считать, то вы должны решить ее, используя традиционную автоматизацию - путем программирования этих шагов в систему или приложение.

Например, вам не нужно машинное обучение, чтобы:

  • Рассчитайте и сведите в таблицу свои счета
  • Автоматически отвечайте на запросы по электронной почте с помощью шаблона
  • Разрешите своим клиентам обновлять свою платежную информацию
  • Назначьте встречу с вашим клиентом
  • Примите онлайн-заказ, размещенный вашим клиентом

Когда использовать машинное обучение?

Итак, когда лучше всего использовать машинное обучение?

Есть два очень сильных сигнала о том, что ИИ или машинное обучение вам помогут. Если вы видите что-либо из этого, вы можете рассмотреть возможность машинного обучения.

1. Вы не можете описать правила

Если вы не можете точно описать, как бы вы что-то решили, но на самом деле можете решить эту проблему довольно хорошо, тогда машинное обучение — очень хорошее решение.

Первый признак того, что машинное обучение — отличное решение.

Многие задачи, которые нуждаются в человеке, чтобы подумать, часто очень трудно описать как правила.

Например, трудно узнать:

  • Превратится ли этот запрос о продаже в продажу?
  • Будет ли мой клиент продолжать держать меня на авансе?
  • Является ли это письмо фишинговым?

Общность здесь состоит в том, что вы не можете описать правила , чтобы дать ответ.

Следовательно, эти проблемы не могут быть адекватно решены с использованием простого решения на основе правила.

И многие факторы и переменные могут влиять на ответ. На самом деле, вам может быть трудно даже перечислить какие-либо факторы, кроме самых очевидных.

Или, возможно, вы могли бы придумать какие-то правила, но осознать, что многие из этих правил пересекаются и взаимодействуют таким образом, что их нужно очень осторожно корректировать.

Когда вы видите этот шаблон, вы можете использовать машинное обучение, чтобы эффективно решить эту проблему.

Это немного нелогично. Но на самом деле это легко узнать.

2. Вы не можете масштабироваться

Если для решения проблемы требуется участие человека, но их нужно решить много, то машинное обучение — очень хорошее решение.

Второй признак того, что машинное обучение — отличное решение.

Например, вы можете решить, может ли этот конкретный запрос о продаже превратиться в реальную продажу, но полагаясь на свое чутье и опыт. И вы можете заметить, что конкретное электронное письмо является очевидной попыткой фишинга вашего пароля.

Однако, когда вы пытаетесь применить это к сотням или тысячам запросов на продажу или миллионам электронных писем, это быстро становится утомительным.

Вы не можете поддерживать свою точность и не можете обрабатывать больше, чем небольшую сумму каждый день.

Вы не можете масштабироваться.

И… еще одно преимущество

Решения машинного обучения, как и все формы автоматизации, невероятно хорошо справляются с крупномасштабными проблемами.

Однако у машинного обучения есть еще одно преимущество — оно обучается.

Чем больше данных он видит, тем лучше он становится (при условии, что алгоритмы обучения настроены правильно).

Это означает, что чем больше масштаб вашей проблемы, тем точнее становится машинное обучение, тем лучше ответы вы получаете.

Эта статья впервые появилась в блоге Qavar по адресу https://blog.qavar.com/when-should-i-use-ai-or-machine-learning/.