Вы удивлены, когда Netflix предлагает шоу, похожие на те, что вы смотрели ранее? Вы когда-нибудь задумывались, как рекламные письма, которые вы получаете, автоматически попадают в вашу папку для спама? Как Карты Google узнают о загруженности дорог на вашем ежедневном маршруте и предлагают лучший вариант? За всеми этими чудесами стоит технология машинного обучения.

В этом блоге я собираюсь объяснить машинное обучение самым простым языком, чтобы вы знали, о чем оно, в следующий раз, когда оно возникнет в разговоре. Поскольку наша организация в основном работает в гуманитарном секторе, я также остановлюсь на том, как аналогичные организации могут использовать машинное обучение. Приятного чтения!

Что такое машинное обучение?

Чтобы понять, что такое машинное обучение, представим, что сейчас выходные, и друзья Эммы пригласили ее на обед. Она думает, идти ей или нет. Принимая это решение, она учитывает несколько факторов, включая стоимость обеда и расстояние до ресторана от ее дома. Столкнувшись с подобными приглашениями в прошлом, она решила:

Зеленые точки обозначают времена, когда Эмма уходила обедать, а розовые точки - моменты, когда она решила не идти.

Как видите, Эмма большую часть времени уходила, когда стоимость и расстояние были ниже, но оставалась дома, когда стоимость и расстояние были выше.

Теперь, если желтая точка на графике представляет стоимость и расстояние до последнего приглашения Эммы на обед, можете ли вы угадать, пойдет ли она?

Да, вы угадали! Скорее всего, она не пойдет на обед.

Но что, если точка находится где-то посередине, как показано ниже?

Теперь предсказать сложнее, но попробуйте нарисовать круг вокруг этой точки и снова угадайте.

Как видите, в желтом круге больше зеленых точек, поэтому более вероятно, что Эмма решит выйти.

Именно так работает машинное обучение: оно предсказывает будущие действия на основе предыдущих моделей поведения. Этот алгоритм машинного обучения называется «K означает ближайших соседей».

Мы обучаем компьютер, предоставляя ему множество данных, извлеченных из предыдущего опыта. Затем машина использует это, чтобы изучить и понять закономерности и отношения в этих данных. В нашем примере мы предоставили компьютеру данные, относящиеся к десяти случаям, когда Эмма принимала решение о том, выходить ли на улицу, исходя из стоимости и расстояния. Используя эту интерпретацию, машина может предсказать некоторые результаты на случайных тестовых примерах. В одиннадцатом случае он будет использовать предыдущее поведение Эммы, чтобы предсказать ее следующее решение.

Процесс предоставления машине данных, относящихся к нашим решениям в различных ситуациях, называется «обучением модели». После обучения модели мы даем ей различные ситуации, которые машина должна использовать для прогнозирования новых решений. Этот этап называется этапом тестирования.

Машинное обучение для нас

Fields Data собирает данные об организациях в разных странах, работающих в разных секторах. Эти данные позволяют нам анализировать цифры по секторам, находить взаимосвязи между различными организациями и консолидировать результаты, чтобы помочь организациям совместно масштабировать свои проекты.

Один из способов использования машинного обучения - это создание кругов, в которых мы группируем сходства, например, каждый круг представляет собой сектор.

Например, если у нас есть следующие данные:

После применения алгоритма кластеризации в машинном обучении окончательные данные выглядят так:

Это позволяет нам легко определить, какие организации работают в одном секторе или какие организации имеют частично совпадающие проекты. Точно так же машинное обучение можно использовать разными способами для анализа данных.

Преимущества использования машинного обучения в гуманитарном секторе

Использование машинного обучения может быть особенно полезно для обслуживания организации, анализа клиентов и обеспечения безопасности.

Техническое обслуживание:

Такие организации, как наша, обрабатывают большие объемы данных. При этом необходимо вручную вводить данные в систему. Машинное обучение может помочь очистить данные, предотвращая повторяющиеся и неточные записи. Это также может помочь в принятии профилактических и корректирующих мер для поддержания систем компании. Например, машинное обучение может предупредить вас, что машина выключилась в последний раз, когда вы выполняли процедуру, которую собираетесь выполнить. Он также может поддерживать данные, обнаруживая спам и неверную информацию в системе.

Анализ клиентов

Машинное обучение используется для прогнозирования поведения пользователей. Это может помочь раскрыть бизнес-идеи и полезно для сегментации пользователей, которая позволяет вам создавать опыт, адаптированный к интересам вашего клиента. С помощью машинного обучения вы можете легко предсказать, как долго клиент, вероятно, останется в компании или на вашем веб-сайте, а также каковы его интересы и дальнейшие действия. Более продвинутое использование может генерировать индивидуальные для пользователя рекомендации, как это сегодня можно увидеть на сайтах онлайн-покупок. Собирая данные из конкретной страны, вы также можете использовать их местный язык в системе в качестве индивидуального интерфейса, чтобы пользователям было легче перемещаться по вашему веб-сайту.

Безопасность

Безопасность - один из важнейших факторов при работе с большими данными. Машинное обучение может помочь вам обнаруживать угрозы или необычную активность в системе организации и создавать предупреждения, чтобы привлечь к ним ваше внимание.

Машинное обучение приобрело популярность в последние несколько лет и является одной из самых важных, захватывающих и надежных областей в будущем. В следующем выпуске блога, посвященного машинному обучению, мы обсудим различные алгоритмы машинного обучения и способы применения каждого из них для поддержки организаций.

Поэтому в следующий раз, когда Google предложит вам лучший маршрут, не удивляйтесь и наслаждайтесь чудесами машинного обучения!