Машинное обучение — вещь отнюдь не новая. Еще в 1959 году алгоритм самообучающихся шашек Артура Сэмюэля уже достиг "статуса любителя" — немалый подвиг для того периода времени. Эта статья предназначена для того, чтобы пролить свет на два разных типа машинного обучения, с которыми можно столкнуться, что может быть полезно, если вы думаете о том, чтобы войти в это пространство, и не уверены, какой путь подходит для вашего бизнеса.

Два типа машинного обучения, которые следует учитывать

Прежде всего, область машинного обучения можно разделить на два типа. Они носят разные названия, но широко известны как 1) статические или пакетные и 2) динамические/инкрементные или самообучающиеся. Эти два подхода отличаются в некоторых ключевых областях, которые мы опишем в этой статье.

Тип машинного обучения 1: Пакетные модели

Пакетные модели — это модели, которые переобучаются в определенные моменты времени и обычно переобучаются вручную и в автономном режиме. Поскольку разработка моделей выполняется вручную, их создание занимает больше времени.

Некоторыми примерами таких моделей являются модели оттока или оттока, которые с некоторой степенью достоверности определяют вероятность того, что кто-то уйдет от вас к одному из ваших конкурентов. Бизнес-приложение будет определять, сколько времени тратится на разработку моделей, а также ожидаемый срок службы модели.

Например, в области кредитного риска оценочные карты для прогнозирования будущих платежей должны хорошо работать относительно далеко в будущем, и поэтому много времени тратится на обеспечение стабильности и надежности характеристик и связанных с ними моделей. В зависимости от различных факторов эти модели могут быть созданы за часы, а не за месяцы (серьезно!).

Машинное обучение, тип 2: добавочные модели

Инкрементные модели, с другой стороны, представляют собой «онлайн» модели, которые переобучаются практически без ручного вмешательства. Примеры таких моделей находятся в среде колл-центра, где базовые данные меняются на регулярной основе, а новые закономерности появляются и исчезают с более регулярной скоростью.

Оптимальная настройка инкрементных моделей включает настройку степени влияния последних данных на параметры повторно обученной модели. Среды, в которых тенденции в базовых данных могут меняться, часто требуют моделей, которые придают большое значение новым данным, почти забывая о тенденциях, которые наблюдались в прошлом.

С другой стороны, в средах, где тенденции в основных данных остаются относительно постоянными, модели будут работать хорошо с течением времени, лишь слегка корректируя параметры на основе новых данных. Хорошим примером, когда последние данные более актуальны, чем данные за 12 месяцев назад, является пространство колл-центра, где, например, модель «Правильное время для звонка» будет получать динамически изменяющиеся данные номеронабирателя.

Именно настройка автоматизированного цикла обратной связи для целей переобучения делает инкрементные модели машинного обучения более сложными, а также автоматизация систем мониторинга, необходимых для обеспечения достаточной надежности новых моделей перед заменой старых. Однако, как только вы настроите эту систему, станет намного проще указывать на другие области бизнеса.

Выбор правильного типа машинного обучения для вашего бизнеса

Для некоторых предприятий привлекательна идея автоматической (даже полуавтоматической) системы переобучения в некоторых областях бизнеса — опять же, например, в колл-центрах, чтобы определить, какой агент должен говорить с каким клиентом или по какому номеру телефона звонить. какое время суток. Эти модели могут быть разработаны довольно быстро, и автоматизация процесса переобучения может применяться с некоторым комфортом, зная, что присущие модели недостатки не приведут к значительным затратам для бизнеса в случае неэффективной модели.

Однако для некоторых других приложений с более высокими последствиями отказа этот подход нецелесообразен. Например, модель, которая предсказывает, какие кредитные заявки должны быть приняты, а какие должны быть отклонены, или какие кредитные лимиты должны быть выделены, имеет более высокие последствия отказа. Неверные решения могут стоить компаниям миллионы в долгосрочной перспективе.

Подробнее о различных уровнях последствий сбоев читайте в нашем блогеПереход от прогнозного моделирования к машинному обучению.

Для этих приложений необходимо прилагать больше усилий для разработки прогностических моделей, используя стабильные функции и доверяя только согласованным шаблонам, которые приведут к более стабильной и надежной модели. Если у вас есть опыт разработки этих статических моделей, то у вас есть основы, необходимые для перехода в более динамичную среду самообучения и применения преимуществ машинного обучения в других областях вашего бизнеса.

Не знаете, какой тип машинного обучения вам подходит?

Вот уже 18 лет мы разрабатываем несколько довольно эффективных и высокоэффективных моделей склонности для отрасли финансовых услуг, охватывающих розничную торговлю, страховые и телекоммуникационные компании, а также для различных приложений, таких как прогнозирование склонности человека к оттоку, стать новым клиентом, пропустить платеж или взять дополнительный товар.

Если вам нужны рекомендации по внедрению правильного типа Машинного обучения в ваш бизнес, напишите нам и сообщите нам, каковы ваши требования. Мы будем рады предоставить некоторые рекомендации!

Первоначально опубликовано на сайте insights.principa.co.za.