Makine öğrenmesi için iş rehberi

Doğal dil işlemeden (NLP) derin öğrenmeye ve ötesine, makine öğrenmesi (ML) en popüler işletme teknolojilerinin birçok yönüne girmiştir. ML, yapay zeka (AI) devriminde yalnızca bir faktördür, ancak önemli bir faktördür. ML algoritmaları, kullandığımız ürünlere fırlatılan hayati bir istihbarat katmanıdır ve sadece gelecekte daha fazla kullanım durumlarına girdiğini göreceğiz.

ML algoritmaları, her gün kullandığımız teknolojinin büyük bir kısmına yerleştirilmiştir. Bilgisayarla görme, derin öğrenme, NLP ve ötesine yayılan ML yenilikleri, pratik AI etrafında daha büyük bir devrimin parçası. Özerk robotlar veya canlı varlıklar değil, AI algoritmalarını ve Büyük Verileri yüzey altında birleştiren uygulamalarımıza, yazılımımıza ve bulut hizmetlerine entegre bir tür zekadır.

Trend iş dünyasında daha da belirgin. ML, artık yalnızca bir veri bilim ekibi tarafından yürütülen özel araştırma projeleri için kullanılmamaktadır. İşletmeler şimdi, giderek artan miktarlarda veriden harekete geçirilebilir iş zekası (BI) ve tahmine dayalı analitik elde etmek için ML'den yararlanmaktadır. Bu yüzden, sadece ML'nin ne olduğunu bilmek değil, aynı zamanda onu maddi değer için nasıl kullanılacağına dair en etkili stratejileri öğrenmek de hiç olmadığı kadar önemli.

Ted Dunning, Doktora, İşletmelere Büyük Veri dağıtımları ve veri yönetimi araçları sağlayan MapR'de Baş Uygulama Mimarı ve aynı zamanda "Pratik Makine Öğrenimi" olarak adlandırdığı şeyle ilgili iki kitap yazdı. Silikon Vadisi gazisi on yıl boyunca sahada çalıştı, AI tekniklerini ve mekanı bilişsel hesaplamadaki gelişmelerin ve açık kaynaklı araçların mevcudiyetinin gerçekten ana akıma ML'yi getirdiği noktaya geliştiğini izliyor. Dunning, jargonu kesmek, ML'nin gerçekte ne anlama geldiğini açıklamak ve işletmelerin ML yatırımlarından en iyi şekilde nasıl yararlanabileceği konusunda bazı bilgelik ve en iyi uygulamaları sağlamak için PCMag ile konuştu.

Pratik Bir Tanım

ML'nin düz tanımı, açık bir programlama yapmadan sistemlere hareket etme ve tekrarlamalı öğrenme ve ayarlamalar yapma yeteneği veriyor. Dunning, ML'nin bir istatistik dalı olduğunu ancak çok pratik bir dalı olduğunu söyledi. Gerçek dünyadaki bir işletme bağlamında, nasıl uygulayacağınız konusunda pratik ve gerçekçi olmanız gerektiğini vurguladı. ML'nin temel görevi, tekrarlanabilir, güvenilir ve çalıştırılabilir bir iş süreci oluşturmaktır.

Dunning, “Makine öğrenimi bilimsel verilere geriye bakmak ve hangi sonuçların uygulanabilir olduğuna karar vermeye çalışmakla ilgili değil” dedi. “Bu ileriye bakmak ve geleceğe dair ne tahmin edebileceğimizi ve çeşitli senaryolarda ne olacağını sormakla ilgili. Bu verilerle iş yapmak söz konusu olduğunda, tekrarlanabilirlik istediğiniz çok sınırlı durumlardan bahsediyoruz.”

Görüntü kredisi: Futurism.com at Todd Jaquith. Grafiği tamamen genişletmek için tıklayın.

Derin Öğrenme ve Ucuz Öğrenme

Bu temel fikri ML içerisinde bir dizi farklı alana ayırabilirsin, ama Dunning özellikle spektrumun iki ucunda iki kişiye işaret etti: derin öğrenme ve "ucuz öğrenme" dediği şey. Derin öğrenme daha karmaşık bir kavramdır.

Dunning, "Makine öğreniminin daha derine inmesini istedik. Terimin kökeni budur." Dedi. “Geçtiğimiz 10 veya 15 yıl boyunca, aslında bunu yapan teknikler geliştirildi. Verilerdeki ilişkileri, algoritmalar ile görülebilir hale getirmek için çok fazla mühendislik çalışması gerektiriyordu; bu, uzun süredir bizim kadar akıllı değildi. Onları isterdim. Bu lezzetli veriyi bir plaka üzerinde elinizle algoritmanız gerekiyordu, bu yüzden sistemlerin kendi başlarına yaptıkları tüm bu özellikleri elle kodlamak için kullanıyorduk. ”

Derin öğrenme, sinir ağları çevresindeki yeniliğin çoğunun yattığı yerdir. Bilgisayarla görme ve NLP gibi karmaşık teknikleri, görüntü ve metin tanıma gibi alanlarda çok büyük adımlara yol açan "daha derin" öğrenme katmanlarına birleştirir. Bu, karmaşık modelleme için harikadır, ancak daha az parametreye sahip yerleşik ML çerçevelerine ve tekniklerine dayanan daha basit, günlük iş kullanımları için fazladan olabilir.

Dunning, ucuz öğrenmenin, işletmelerin tekerleği yeniden icat etmek için pahalı kaynaklar kullanmaya ihtiyaç duymadıkları basit, etkili, denenmiş ve test edilmiş teknikler anlamına geldiğini açıkladı.

“Bilgisayarda düşük asılı meyvelerden çok söz ediyoruz. Verinin kullanılabilirliği ve hesaplama kapasitesindeki büyük artış, tüm ağacı düşürdüğümüz anlamına geliyor” dedi. "Basit makine öğrenmesi artık sadece veri bilimcileri için değil."

Ucuz Öğrenme Nasıl Çalışır?

Temel ML algoritmaları korelasyonları tanımlayabilir ve önerilerde bulunabilir veya deneyimleri daha bağlamsal ve kişisel hale getirebilir. Dunning, bilgisayarlarla etkileşime girme şeklimizin hemen hemen her yönüyle, ucuz öğrenmeyi kullanmalarını kolaylaştırmak için işlerin daha iyi yapılmasını sağladığını söyledi.

Pratikte ucuz öğrenmenin bir örneği sahtekarlık tespitinde. Bankalar ve tüccarlar yaygın dolandırıcılık ile uğraşır, ancak genellikle dağınıktır ve raporlanamayacak kadar düşük değerlerle ilgilidir. Dunning, ucuz öğrenme algoritması kullanarak (yani, bu özel görev için programlanmış mevcut bir ML testi), tüccarların kullanıcıları riske sokan ve başka türlü olmayacak dolandırıcılık modellerini yakalayan ortak uzlaşma noktalarını daha kolay tanımlayabildiğini açıkladı. gözle görülür.

"Hangi tacirlerin sahtekarlığa yol açan veri sızdırıyor gibi göründüğünü bulmak istediğinizi varsayalım. Sahtekarlığa karşı yolsuzluk mağdurlarının işlem geçmişlerinde hangi tüccarların aşırı temsil edildiğini bulmak için G ² testini kullanabilirsiniz, " dedim. “Bu, makine öğrenmesi olarak adlandırılmayacak kadar basit görünüyor, ancak gerçek hayatta kötü adamları bulur. Bu tekniğin uzantıları, daha basit öğrenme algoritmalarının başka türlü başarısız olabilecekleri yerlerde başarılı olmalarını sağlayacak şekilde biraz daha gelişmiş teknikleri artırmak için kullanılabilir.”

Ucuz öğrenme her türlü farklı şekilde kullanılabilir, bu yüzden Dunning çevrimiçi bir işletmenin onu nasıl kullanabileceğine dair başka bir örnek verdi. Bu durumda, var olan bir ML algoritmasının basit bir yorum sıralama problemini nasıl çözebileceğini açıkladı.

“Üzerinde çok sayıda yorum bulunan bir makaleniz olduğunu varsayalım. Hangi sıraya girmeliler? Yorumlarınızı ilginç kişilerin ne kadar ilginç olduğunu düşündüğüne göre sıralamaya ne dersiniz? Dunning, çoğu kez onu oyladı, ancak hala gerekli olan bir miktar sihir var. "dedi.

“Bir okuyucunun bir galibiyeti muhtemelen 10 okuyucunun sekiz tanesinden daha iyi değil” dedi. “Daha da kötüsü, ilk kazananları üstüne çıkarsanız, diğer yorumlar asla gün ışığını görmez ve bu nedenle onları asla öğrenemezsiniz. Thompson örnekleme adı verilen küçük bir makine öğrenmesi, bunu yeni yorumlar hakkında veri toplayacak şekilde çözebilir. ve sıralamaların kesin olmadığı ancak genel olarak onları kullanıcılara en iyi deneyimi sağlayacak şekilde sıralar. ”

Dunning ayrıca, işletmenizin ML'den en iyi şekilde nasıl yararlanabileceği için bir dizi en iyi uygulama ortaya koydu. Lojistik, veri ve farklı algoritmaların ve araçların cephaneliğinin başarılı bir iş stratejisine nasıl bir etkisinin olduğunu incelemek için, Makine Öğrenimi Başarı için 7 Tavsiyemize göz atın.

2018 ve Ötesi: ML'nin Şimdi Olduğu Yer

Belki de bu sizin için sürpriz değil, ancak Büyük Veri ve ilgili veritabanı alanı en azını söylemek için hızla büyüyor. San Jose'deki BigData SV 2018 konferansında, teknoloji analisti firması Wikibon Research'ün Araştırma Görevlisi Peter Burris, küresel Büyük Veri endüstrisinden elde edilen gelirin 2017'de 35 milyar dolardan 2018'de 42 milyar dolara yükseleceği tahmininde bulundu. Üstelik Burris, gelirin 2027 yılına kadar 103 milyar dolara ulaşacağını öngörüyor.

Tüm bu verileri etkili bir şekilde ele almak için akıllı ML çözümleri, şimdi olduğundan daha gerekli hale gelecektir. ML'nin öngörülebilir gelecek için sıcak bir konu olmaya devam edeceği açıktır. Bir yıl önce MapR's Dunning ile en son konuştuğumuzda, iş için ML'ye hesaplanmış, gerçekçi bir yaklaşım benimsendiğini vurguladı. Ancak bir yıl teknoloji hakkında konuşurken uzun bir zamandır. Son zamanlarda Dunning'i yakaladık ve ona göre, son konuşmamızdan bu yana işler aynı kaldı. Dunning, "Daha yüksek düzeyde, pek bir şey değişmedi." Dedi. “Kanıttan akıl yürütmenin temel fikri kesinlikle son bir yıldan beri bir haber değil, ancak bazı takımlar değişti.”

Bunu akılda bulunduran Dunning, sahada sadece bir yıl önce olduğundan daha fazla oyuncu olduğunu söyledi, ancak bu gerçek mutlaka iyi bir şey değil. “Olanlardan biri, “ büyülü ”makine öğrenmesi hakkında konuşan, üzerinde kötü bir kelime koymak için giderek daha fazla satıcının ortaya çıkmasıdır” dedi. “Verilerinizi bir ürüne atabileceğiniz ve bunlardan bazı güzel bilgiler edinebileceğiniz büyük bir yanlış anlama var.”

• Makine Öğrenimi Gelecek Neden Neden Makine Öğrenimi Gelecek mi
• Comet.ml Makine Öğrenimi ile Etkileşimimizi Değiştirmek İstiyor Comet.ml Makine Öğrenimi ile Etkileşimimizi Değiştirmek İstiyor
• Google, SQL ile Makine Öğrenimini Basitleştiriyor Google, SQL ile Makine Öğrenimini Basitleştiriyor

Dunning’e göre, ML’den büyülü bir sonuç beklemek “çok zor” olabilir. “Hala sorunun gerçekten önemli olduğunu düşünmek zorundasınız. Hala veri toplamak zorundasınız ve hala sisteminizin dağıtımını yönetmek zorundasınız” dedi. "Ve bu pragmatik, lojistik gerçeklikler hala soruna hâkim."

Dunning, bazı yazılım şirketleri tarafından sunulan yüksek kaliteli pazarlamanın bir kısmını ele alıyor. “Sihirli AI türlerinden hiçbiri buna hitap etmiyor bile.” Dedi. İşletmelerin düşünmesi gereken bir tavsiyesi var. Ona göre, iyi uygulamaları sağlamanın bir yolu, belirli bir AI iş analistini işe almaktır, böylece şirketinizde birinin, ML teknolojisini kullanarak geliştirilebilecek yönlerini tanımlamasını sağlayabilirsiniz.

Dunning, "Bazı durumlarda bu, işletmenizin yeni fırsatlara yayılması olabilir" dedi. Ancak çoğu durumda, kuruluşunuzun ihtiyaçlarını anlaması ve ML stratejinizi yönlendirmek için bu bilgileri kullanması için birini işe almanın çok önemli olduğunu vurguladı.