Machine learning mení podstatu, akou funguje podnikanie


  • Zdieľať na Google+

Strojové učenie (anglicky machine learning, skrátene ML) bolo dlhú dobu za hranicou mnohých firemných budgetov. S príchodom nových služieb sa však podarilo do určitej miery túto hranicu posunúť a mnohým podnikom sa otvorili možnosti za dostupné ceny. V tomto článku zhrnieme základné informácie o strojovom učení v cloude a ukážeme výhody, ktoré táto technológia ponúka.

Ako funguje machine learning?

Najjednoduchšie vysvetlenie strojového učenia.

Ako funguje strojové učenie v cloude?

Aplikácie strojového učenia boli dlho propagované ako nástroj, ktorého výhody dokáže využiť každý podnik. Opak je však pravdou. Strojové učenie má najlepšie využitie v špecifických typoch aplikácií. Detekcia krádeže, prediktívny marketing, monitorovanie strojov alebo manažment inventáru je len pár príkladov, pre ktoré sa určite oplatí investovať do strojového učenia.

Aké riešenia sú momentálne na trhu a akým spôsobom sa odlišujú?

Trh cloudu je momentálne obsadený hlavne veľkými hráčmi, ako sú Microsoft, Google, Amazon alebo Salesforce. Nie všetky modely strojového učenia sú však také isté. Väčšina firiem ponúka podporu pre tri typy základných predikcií:

  • binárna predikcia,
  • predikcia kategórie,
  • predikcia hodnoty.

Poďme si prejsť príklady využitia každej z nich:

Binárne predikcie sa zaoberajú odpoveďami typu áno alebo nie. Možné využitie v tomto prípade by sme našli napríklad pri vyhodnocovaní dát v objednávkach, pri ktorých je treba zistiť, či ide o nejaký podvod alebo len chybu.

Pri kategorickej predikcii dokážeme informácie roztriediť do určitých kategórií. Toto je užitočné obzvlášť vtedy, keď máte veľa rôznych typov dát, ktoré treba rozdeliť, aby boli efektívnejšie spracované. Napríklad poisťovacie spoločnosti potrebujú kategorizovať poistné udalosti na základe informácií, ktoré sa naučili za obdobie ich pôsobenia na trhu. Príčina udalosti môže slúžiť v tomto prípade ako dobrý príklad. Máme tri hlavne kategórie:

  • 1. spôsobené alkoholom,
  • 2. pravdepodobne spôsobené počasím ,
  • 3. pravdepodobne podvodné.

Systém strojového učenia sa postupne vytrénuje na základe dát o polohe, type škody, veku vodiča, type vozidla, atď. Kategorická predikcia preto funguje hlavne pri dátach, ktoré potrebujete usporiadať do zmysluplného celku, ale priame dáta, ktoré by spolu súviseli, neexistujú v databáze.

Kategorická predikcia teda znamená, že budeme schopní pozrieť sa na dátový set a na základe naučenej informácie tieto dáta umiestniť do určitej kategórie. Toto je užitočné, keď sú porovnávané veľmi rozdielne typy dát, ktoré sú analyzované a kategória musí byť použitá na to, aby sa dátam dalo lepšie rozumieť. Pre tento typ existuje najviac aplikácií, keďže ide väčšinou len o odpovede typu áno alebo nie. Kategorická predikcia je hlavne určená pre biznisové vertikály, teda hlavne pre priemyselnú výrobu a finančníctvo.

Predikcie hodnoty sú komplexnejšie, ale ponúkajú väčší nadhľad pri analyzovaní informácií. Stroj hľadá rôzne vzory v dátach a dokáže vám napríklad povedať, koľko jednotiek nejakého produktu sa predá budúci mesiac. Proces výroby môžete vďaka tomu jednoducho optimalizovať a celkovo je výroba efektívnejšia.

Tieto typy predikcií dosadzujeme hlavne do systémov, kde dokážu nájsť hodnotné informácie ako napríklad plánovacie a finančné systémy. Takisto môžu byť súčasťou manažmentovej palubnej dosky, takže tí, čo robia kritické rozhodnutia, majú väčšiu pravdepodobnosť nájsť hodnotné informácie.

Výhody a nevýhody strojového učenia

Začnime výhodami. Tieto systémy sú veľmi lacné na operáciu. Nemusíte zaplatiť viac ako pár eur za hodinu na to, aby ste rozbehli vašu vlastnú aplikáciu so strojovým učením. Mnohé z nich podporujú software developer kits a API, ktoré vám umožňujú vložiť funkcionalitu strojového učenia priamo do aplikácií a sú podporované väčšinou programovacích jazykov.

Asi najväčšia nevýhoda je viazanosť týchto systémov na cloudy. Akonáhle teda máte systém strojového učenia na cloude, mechanizmus ukladania dát bude pravdepodobne týmto cloudom aj podporovaný. Ak však chcete prenášať nejakú podnikovú databázu, narazíte na problémy, pokiaľ nezabezpečíte integráciu dát do cloudového úložiska.

Aké služby sú dostupné?

Veľa open-source a proprietárnych systémov strojového učenia podporuje typy predikcií, ktoré boli popísané. A boli dostupné už roky. Avšak cena týchto systémov bola pre veľa podnikov nedostupná. Ak si to aj biznis mohol dovoliť, nemal v tíme nikoho, kto by vedel nadizajnovať predikčné modely alebo sa vysporiadať s dátovou vedou.

Najväčší súčasní poskytovatelia verejného cloudu ponúkajú vo svojich službách aj riešenia s použitím strojového učenia: Google, AWS a Microsoft. Sú veľmi  rozdielne, ale zdieľajú isté základné vlastnosti, výhody a limitácie.

Zhrňme si to

Aj keď je strojové učenie relatívne nová technológia, je to nástroj, ktorý je vo vývoji už niekoľko rokov. V modernej ekonomike sme konečne schopní zhodnotiť silu a možnosti umelej inteligencie a využiť tieto schopnosti v podnikaní. Najväčší problém je však stále nedostatok ľudí, ktorí rozumejú strojovému učeniu a rozhodovaniu podľa dát. To znamená, že si ešte pár rokov počkáme, kým budeme mať na trhu dostatok ľudí, ktorí budú schopní využiť plný potenciál tejto technológie.