Вы думаете о том, чтобы попробовать решение для машинного обучения для своей компании, но не знаете, как отличить хорошее машинное обучение от плохого. В этот золотой век данных разумное использование данных стало для многих компаний разницей между успехом и неудачей. Машинное обучение — самый популярный подход к решению проблем в этом десятилетии. Многие компании ищут решения для машинного обучения, чтобы оставаться конкурентоспособными, но мало знают о том, что искать в потенциальных сотрудниках. Они часто пытаются сделать выбор между статистическими решениями и решениями для машинного обучения.
Понимание ключевого концептуального различия между статистическими методами и машинным обучением должно помочь вам решить, какой подход наиболее эффективно решит вашу бизнес-задачу.
Нормальная статистика
Статистика обычно спрашивает «что», а иногда и «почему». Он описательный и пояснительный. Он исследует, что происходит, причины, по которым что-то происходит (корреляция), а иногда и сами причины. Статистик выяснит, сколько людей регулярно загружают приложения в Нигерии (какова реальность), и будет использовать статистические методы, такие как регрессия, для исследования вероятных причин скорости загрузки приложений (почему реальность такова). Можно обнаружить, что снижение стоимости передачи данных и доступность более дешевых смартфонов, чем раньше, влияют на рост.
Но фокус статистика изначально историчен. Если вы хотите предсказать, изменится ли скорость загрузки приложений в будущем, статистические методы менее эффективны, поскольку они следуют из логического, а не прогнозного фокуса. Статистические методы нацелены на поиск вывода.
Машинное обучение фокусируется по-другому
Методы машинного обучения предназначены для прогнозирования. Основное внимание уделяется тому, «что будет дальше». Машинное обучение разрабатывает алгоритмы для оценки вероятного развития ситуации и уточняет алгоритмы снова и снова, пока прогнозы не станут достаточно точными. Обычно она более эффективна в предсказаниях, чем статистика, потому что лучше интегрирует тысячи, если не миллионы потенциальных влияний. Но машинное обучение часто менее полезно, чем статистика, для объяснения того, почему реальность такая, какая она есть.
Важно отметить, что разработчики машинного обучения могут продемонстрировать успех. Разработчики могут показать, что их алгоритмы дают достаточно точные результаты. Вы никогда не сможете убедить исследовательский центр потребительского рынка, основанный на статистике, доказать точность своих результатов таким образом, потому что единственный способ по-настоящему подтвердить результат — это повторить исследование. Но с машинным обучением вы можете. Так что, если вы нанимаете, попросите разработчиков показать вам, что их алгоритмы предсказывают с впечатляющей степенью точности.
В зависимости от бизнес-задачи формат этой демонстрации может потребовать корректировки. Существует нехватка легко обобщаемых алгоритмов машинного обучения, и успех часто трудно определить заранее. Но будь то минимально жизнеспособный продукт, тестовый пример, структура платы за непредвиденные обстоятельства или даже просто примеры предыдущей работы, решения для машинного обучения должны делать прогнозы в той или иной форме. И на каком-то этапе эти прогнозы можно и нужно проверить, и вы можете попросить посмотреть результаты при рассмотрении предложения по машинному обучению.
Понравились наши идеи? Получайте самые свежие новости в свой почтовый ящик и следите за ними в Twitter и LinkedIn.
