Руководство по машинному обучению для менеджеров

Руководство по машинному обучению для менеджера

Вас завалило паутиной технического жаргона, связанного с машинным обучением? Вот сжатый фрагмент информации по машинному обучению для не технарей.

Поздно вечером я, как и многие другие, был наводнен статьями о машинном обучении (ML) и искусственном интеллекте (AI) и о том, как его можно применить для снижения операционных расходов, повышения эффективности, увеличения доходов и улучшения качества обслуживания клиентов. Имея ограниченные знания, мне было любопытно узнать, какую пользу это может принести моей организации и что потребуется для начала работы. На первый взгляд концепция казалась очень сложной, как дорогостоящая технология, которую компании пришлось бы купить, чтобы получить выгоду. Однако, поговорив с людьми, работающими с искусственным интеллектом, и прочитав больше, я понял реальный смысл и истинные масштабы машинного обучения. Ниже приводится набор вопросов, которые могут показаться вам знакомыми, если вы столкнетесь с такими же дилеммами, как и я.

Во-первых, давайте посмотрим, что на самом деле означают искусственный интеллект и машинное обучение. Время от времени они взаимозаменяемы.

ML - это разновидность AI. ИИ - это компьютерные программы, способные выполнять задачи, которые обычно требуют человеческого интеллекта. Они имитируют человеческое познание при выполнении задач и в определенной среде действуют, чтобы максимизировать шансы на успех. Примерами таких задач могут быть личные помощники, такие как Siri и беспилотные автомобили. ML относится к алгоритмам машинного обучения. Эти алгоритмы продолжают совершенствоваться в процессе непрерывного обучения с помощью большего количества данных и точек данных, чтобы достичь результата с минимальной ошибкой или процентом ошибок, приемлемым для данных обучения. Люди должны определить постановку проблемы и написать алгоритм для машины, чтобы создать свой собственный алгоритм. Типичные примеры - механизмы рекомендаций, обнаружение мошенничества. Еще одно модное слово - глубокое обучение (DL). Это подмножество машинного обучения, которое способствует развитию искусственного интеллекта. Он был введен, чтобы приблизить ML к AI.

Но почему недавний ажиотаж? Почему нам нужно тратить мое время и силы на машинное обучение?

Одна из проблем для предприятий - научиться использовать все доступные им данные таким образом, чтобы это было значимым и действенным. Машинное обучение оказывается полезным, поскольку оно эффективно в тех случаях, когда на результат влияют несколько фрагментов данных, которые люди не могут эффективно обработать в масштабе. Таким образом, он решает проблему масштабирования и объема данных из нескольких источников. Например, он сможет проводить анализ настроений, обрабатывая несколько каналов социальных сетей на разных платформах, или сможет определять покупательское поведение в нескольких точках взаимодействия, чтобы предсказать правильный набор продуктовой линейки. ИИ как концепция существует уже несколько десятилетий. Однако только сейчас это стало жизнеспособным бизнес-решением, в основном благодаря доступности огромных объемов данных, сгенерированных нами, и появлению более дешевых и быстрых машин. Алгоритм машинного обучения не требует суперкомпьютера. Вычислительная мощность наконец-то достигла точки, когда даже карманные устройства имеют выделенное оборудование для машинного обучения.

Как менеджер я использую статистические модели и улучшаю результаты за счет использования большего количества данных и включения моего обучения по мере построения. Что ML изменит для меня?

Статистическое моделирование и машинное обучение принципиально разные. Вот некоторые основные отличия:

а. ML может предсказывать и учиться одновременно. Статистическое моделирование требует частого и ручного обучения.

б. В отличие от статистического моделирования, которое определяет отношения между переменными для прогнозирования результата, машинное обучение учится на предоставленных данных, чтобы давать точные результаты.

c. Статистическое моделирование предполагает линейную связь между зависимыми и независимыми переменными. Также предполагается нормальное распределение ошибки для каждого значения зависимой переменной. Их не нужно определять для алгоритмов машинного обучения.

Контуры машинного обучения, кажется, улавливают все закономерности, выходящие за рамки любых границ линейности или даже непрерывности границ.

Теперь, когда я лучше разбирался в машинном обучении, следующий набор вопросов касался областей работы, где можно применить эти методы. Ниже я поделился несколькими областями, в которых компании уже начали использовать машинное обучение для снижения затрат и повышения эффективности.

я. Обслуживание клиентов через чат-ботов и виртуальных помощников. Zendesk является пионером в этой области со своим алгоритмом Answer Bot. Cogito использует науку о поведении и машинное обучение для улучшения эмоционального интеллекта бота службы поддержки клиентов.

II. Лояльность и удержание клиентов путем выявления недостатков в продукте, рекомендации правильного набора продуктов по оптимальной цене и таргетинга на клиентов, которые могут упасть, в сочетании с данными о прибыльности. Netflix использует рейтинги пользователей для создания новых фильмов / телешоу и предложений по жанрам. Spotify отслеживает предпочтения пользователей в отношении прослушивания и адаптирует для этого весь продукт.

iii. Stripe (штаб-квартира находится в SFO) выполняет обнаружение мошенничества путем объединения данных из исторических транзакций, информации социальных сетей и других внешних источников данных.

iv. Прогнозирование поведения путем анализа моделей для оптимизации продаж. Платформа IBM помогает в этом. Более мелкие фирмы, такие как 247.ai, Exacastor, предоставляют такие услуги, как персонализированная реклама, изучая поведение клиентов.

v. Компании, оптимизирующие расходы на Маркетинг и рекламу, такие как Conversica, Lytics, RelateIQ и Infer, предлагают более действенные и действенные решения старых проблем автоматизации маркетинга, таких как привлечение лидов, оптимизация кампании, квалификация потенциальных клиентов и т. д.

vi. Повысьте эффективность логистики за счет мониторинга, оптимизации и планирования транспортных маршрутов. FedEx стремится использовать автомобили меньшего размера для доставки без участия человека-водителя.

vii. Улучшение результатов за счет интеграции роботов в рабочий процесс для выполнения рутинных задач. Amazon расширил армию роботов, чтобы автоматизировать процесс сбора и упаковки.

viii. Управление ИТ-инфраструктурой путем прогнозирования сбоев. Услуги Cisco «Критически важные услуги» и «Услуги Cisco High Value» используют инструменты аналитики, автоматизации, соблюдения нормативных требований и безопасности для отслеживания работоспособности эти услуги

ix. Для улучшения Business Insights Avanade (совместное предприятие Microsoft и Accenture) использует Cortana Intelligence Suite и другие решения для прогнозной аналитики и анализа данных.

Икс. Панели мониторинга для бизнеса. Крупные компании, такие как SAP, и небольшие компании, такие как DOMO, извлекают данные из Salesforce, Square, Facebook, Shopify и т. д., чтобы получить представление о продажах. инвентарь.

xi. Управлением жизненным циклом оборудования занимается Predix (решение ML от GE), которое позволяет промышленным приложениям обрабатывать исторические данные о производительности оборудования. Mindsphere от Siemens отслеживает станки на заводах, планируя профилактическое обслуживание и управляя использованием оборудования, чтобы продлить срок их эксплуатации.

xii. В области Безопасность и биометрия Baidu’s Deep Voice 2 помогает обрабатывать естественный язык, влияя на приложения голосового поиска и перевод в реальном времени.

Теперь можно начать понимать, где можно использовать машинное обучение для решения бизнес-задач. Он широко используется в финансах, розничной торговле, СМИ, здравоохранении и путешествиях с анализом розничной полки, планированием карьеры, управлением активами как немногими развивающимися областями. В зависимости от понимания его можно использовать в любой отрасли.

Но как мне начать? Я не технарь, но хотел бы использовать машинное обучение для повышения эффективности и увеличения доходов.

Вот как вам следует подойти к внедрению машинного обучения.

а. Определите формулировку проблемы: нужно определить проблему и вид идей, которые он хочет извлечь. Пример: Какие расценки должны применяться в выходные для фирмы электронной коммерции, чтобы максимизировать доход?

б. Обеспечьте новые точки данных и доступность данных. Чтобы подойти к любой постановке проблемы, потребуются точки данных. Настоящая стратегия обработки данных начинается с выбора данных - что доступно и что отсутствует, предварительной обработки данных - форматирования и очистки данных, преобразования данных - преобразования предварительно обработанных данных, готовых к использованию в алгоритме. Другими аспектами являются определение времени и денег, необходимых для заполнения пробелов в данных, и ответственность за получение данных в руках менеджеров первой линии. Пример: могут использоваться такие точки данных, как средний трафик, размер билета, количество товаров, время пика продаж и т. Д. Прошлые данные должны быть очищены и отформатированы, чтобы быть загруженными в алгоритм. Для получения целостного результата можно включить новые точки данных, такие как типы действующих предложений, используемые маркетинговые мероприятия и т. Д.

c. Алгоритм: нужно выбирать язык программирования, учитывая действия машинного обучения, которые необходимо выполнить. MATLAB / Octave, R, Python, Java Family / C-family являются наиболее часто используемыми языками в зависимости от конечной цели, которую необходимо достичь. Если вы не программист или обладаете ограниченными знаниями в области машинного обучения, существует программное обеспечение с открытым исходным кодом, которое можно использовать для того же, например WEKA, Tensorflow и Keras.

Существует три типа алгоритмов машинного обучения:

я. Контролируемое обучение: результат / результат и набор предикторов указываются в алгоритме. Здесь обучение алгоритма контролируется путем подачи ему помеченных данных, которые помогают ему различать различные объекты / результаты. Система рекомендаций - популярный пример

II. Неконтролируемое обучение: в таких алгоритмах даются только входные данные, но результат / результат не указывается. Цель состоит в том, чтобы узнать больше об обучающих данных (не помеченных в данном случае), поэтому запускаются алгоритмы для обнаружения и представления структуры, шаблонов и правил. Может использоваться для изучения покупательского поведения в группе покупателей.

iii. Полу контролируемое обучение / обучение с подкреплением: такие алгоритмы разработаны, чтобы помочь обучить машины принимать решения на основе данных прошлого опыта. Однако присутствует большой объем входных данных, поскольку помечать данные дорого и требует много времени, помечены только некоторые данные. Приложения для распознавания изображений - хороший пример таких алгоритмов.

Любой из этих типов может использоваться в зависимости от ожидаемого результата. Целесообразно загрузить несколько алгоритмов машинного обучения на преобразованные данные для экспериментов.

d. Улучшение результатов с помощью анализа ошибок: настройка алгоритма требуется в качестве следующего шага для извлечения наиболее значимого результата, по сути, это означает, что следует использовать методы, которые уменьшают дисперсию показателя производительности, который вы используете для оценки. алгоритм работает. Метод ансамбля также используется, когда объединяются результаты нескольких моделей.

Чтобы раскрыть потенциал машинного обучения, у компаний должны быть два типа людей: Кванты - те, кто обучен языкам, методам и техникам машинного обучения, и переводчики - те, кто объединяет дисциплины. данных, машинного обучения и принятия решений путем преобразования сложных результатов квантов в действенные идеи, которые могут реализовать менеджеры широкого профиля.

В конце я хотел бы выделить отраслевые тенденции в области искусственного интеллекта / машинного обучения, которые укрепляют уверенность в том, что приложения и способы использования машинного обучения только расширяются, что является убедительным аргументом в пользу самих себя. McKinsey оценивает годовые внешние инвестиции в ИИ в размере от 8 до 12 миллиардов долларов в 2016 году, при этом на машинное обучение будет приходиться почти 60% этих инвестиций. Текущие темпы инвестиций в ИИ в 3 раза превышают рост внешних инвестиций с 2013 года. Baidu и Google потратили на ИИ от 20 до 30 миллиардов долларов в 2016 году. В условиях конкуренции в области патентов и увеличения интеллектуальной собственности, технологические, коммуникационные и финансовые услуги являются основными отраслями. Для предпринимателей сейчас хорошее время, чтобы включить машинное обучение в свои бизнес-модели, чтобы оставаться актуальными и во многих случаях опережать тенденции. Все, что нужно для начала, - это непредвзятость и готовность использовать новые возможности везде и всегда. Однако имейте в виду, что это быстро развивающееся пространство, и оно сопряжено с рядом проблем, но я оставлю это на другой раз.

Использованная литература:

Http://www.livemint.com/Technology/gLdRAxSjWVWCSJRl6E7bbL/How-firms-are-using-artificial-intelligence-to-up-their-game.html

Https://www.nibusinessinfo.co.uk/content/business-benefits-artificial-intelligence

Https://www.nibusinessinfo.co.uk/content/how-are-busshops-using-artificial-intelligence

Https://www.nibusinessinfo.co.uk/content/examples-artificial-intelligence-use-business

Https://www.analyticsvidhya.com/blog/2015/07/difference-machine-learning-statistical-modeling/

Https://www.mckinsey.com/industries/high-tech/our-insights/an-executives-guide-to-machine-learning

Https://www.dezyre.com/article/top-10-industrial-applications-of-machine-learning/364

Https://machinelearningmaster.com/process-for-working-through-machine-learning-problems/

Https://machinelearningmaster.com/how-to-prepare-data-for-machine-learning/

Https://machinelearningmaster.com/best-programming-language-for-machine-learning/

Https://machinelearningmaster.com/start-here/