Mašinsko učenje u biznisu

„Oblast izučavanja koje daje kompjuterima mogućnost učenja bez eksplicitnog programiranja.“ Tako je Artur Semjuel definisao mašinsko učenje krajem 1950-ih. Kao jedan od pionira u oblasti veštačke inteligencije, prvi je popularizovao ovaj termin kao jedan od njenih podskupova. Sa druge strane, mašinsko učenje je skup tehnika koje se koriste u polju nauke o podacima, prilikom izvlačenja uvida.

Tehnički gledano, mašinsko učenje uključuje definisanje matematičkog modela koji predstavlja problem koji želimo da analiziramo, kako bismo pronašli približno rešenje.

U većini slučajeva modeli mašinskog učenja temelje se na predviđanjima: istrenirani su na nekom (nadajmo se reprezentativnom) uzorku podataka, naučeni su da daju izlaz (koji se koristi u svrhe donošenja odluka, na primer – kao odgovor na pitanje „Da li će određeni kupac “churnovati”?), zasnovano na nekim ulaznim karakteristikama (na primer, niz atributa koji opisuju kupca, njegove preferencije i nivo aktivnosti). Ovo je takozvano nadgledano učenje.

Postoji i nenadgledano učenje – gde izlaz nije unapred definisan, već je izvučen kao uvid iz algoritma (na primer, u klasterisanju ne znamo koji su klasteri, pre pokretanja modela, ali sam model identifikuje grupe sličnih instanci, koje se nazivaju klasterima i vraća labele tih klastera kao izlaz).

Pored ove dve grupe, postoje i druge varijacije na temu – poput polunadgledanog učenja i “reinforcement” učenja, koje su hibridne i modifikovane verzije razvijene da bi se rešavale drugačije i kompleksnije vrste problema.

Izbor odgovarajućeg algoritma zavisi od nekoliko stvari: problema koji je definisan, podataka i njihove prirode, pretpostavki modela, zahtevane računarske snage i potrebnih resursa. Dosta sa tehnikalijama – šta mašinsko učenje znači današnjem biznisu?

Dozvolite mi da predstavim primenu Ml-a na jednoj slici (laka digresija: sve zasluge idu mom dragom kolegi, gospodinu Milošu Milovanoviću, za kreiranje ove slike, što mi je dosta olakšalo ovaj zadatak).

Ova slika je prikaz naše svakodnevice. Daje nam uvid u to kako najveći lideri u svetu veštaćke inteligencije koriste mašinsko učenje. Probudite se, putujete na posao, jedete, planirate putovanje itd. – a da ne primetite kako svaku aplikaciju koju koristite pokreće jedan ili više algoritama mašinskog učenja razvijenih u svrhe prilagođavanja i personalizacije sadržaja koji gledate / koristite, kako bi unapredili vaše iskustvo i zadovoljstvo datim servisima.

Na primer, Google integriše ML u sve svoje aplikacije, u svrhu obrade prirodnog govora (Google search, prepoznavanje govora i prevođenje jezika), obradu slike (Google Photos) i predviđanje prometa (Google Maps).

Uber postavlja dinamičke cene vožnje na osnovu prometnih gužvi i stope potražnje.

Pornhub koristi računarsku viziju i preporuke za postavljanje pravih sadržaja za svoje posetioce.

Netflix takođe koristi algoritme kolaborativnog filtriranja i sistema za preporuku, sa ciljem prilagođavanja preporuka korisnicima.

Facebook je jedan od najvećih lidera u istraživanju veštačke inteligencije, koji integriše ML u sve svoje usluge, istovremeno opensource-ujući neke algoritme (poput Facebook Propheta, koji se koristi za predviđanje vremenskih serija).

Sve više i više kompanija postaje svesno važnosti i prednosti ML aplikacija u svom poslu. Aplikacije često uključuju: izvlačenje predviđanja budućnosti – klasifikacija, regresija i projekcije; i izvlačenje uvida koji objašnjavaju osnovne obrasce, sličnosti i uzroke nekih događaja koji su se dogodili. Imati ovo kao oruđe u procesu donošenja odluka može biti zaista moćno sredstvo koje može uticati na percepciju celokupnog poslovanja i njegove budućnosti.

Međutim, mašinsko učenje se dosta oslanja na iskustvo. Potrebno je puno istorijskih podataka i puno opservacija – da bi se otkrili svi mogući obrasci. Mašinsko učenje je samo toliko jako koliko je i snaga predviđanja podataka (ako skup podataka nije reprezentativan ili nema dovoljno opažanja, model će najverovatnije grešiti).

Već smo spomenuli da je mašinsko učenje podskup jedne mnogo šire discipline – veštačke inteligencije. Veštačka inteligencija je grana računarske nauke koja se bavi algoritmima (mašinskog učenja) inspirisanim različitim aspektima prirodne inteligencije. To je sistem u stanju da potpuno autonomno obavlja zadatke koji obično zahtevaju ljudsku inteligenciju, poput vizuelne percepcije, prepoznavanja govora, rešavanja problema, prevođenja jezika, itd. Pored toga što je samostalan, sposoban je da donosi odluke i definiše akcije u dinamičnim okruženjima, gde se uslovi i ograničenja menjaju (što nije slučaj sa tradicionalnim mašinskim učenjem, koje se snažno oslanjajuc na iskustvo i već viđene obrasce). Sledeća slika predstavlja nivo inteligencije koju smo do sada dostigli na tzv. veštački način.

Međutim, koliko god mi o tome danas govorili, izuzetno smo daleko od veštačke inteligencije u svom najboljem obličju. Stoga se u većini slučajeva, kada kompanije govore o veštačkoj inteligenciji, obično radi o primeni mašinskog učenja i prelasku na donošenje odluka zasnovanim na podacima (što podrazumeva Data Science).

Želela bih da zaključim ovaj post jednim citatom čiji je autor jedan od najvećih biznismena na svetu – Rej Dalio.

„Ako budućnost može biti drugačija od prošlosti i nemate duboko razumevanje, ne bi trebalo da se oslanjate na veštačku inteligenciju.“

Mašinsko učenje može biti moćno oruđe, ali samo kad se mudro i duboko promisli o njegovoj primeni. Svesnost o ovome može biti značajna razlika između uspeha i neuspeha integrisanja mašinskog učenja u biznisu.

About Valentina Đorđević 12 Articles
Valentina Djordjevic is a huge Data Science enthusiast. Graduating from the Faculty of Organizational Sciences, she faced the challenge of packing her (then irreconcilable) interests into a unique career path-cutting machine. Still, she is a real "fox" when it comes to her areas of interest, so we have no doubt that this has given her good signposts. Valentina finds motivation in challenging projects and in working with equally enthusiastic team members. She believes that working on the Data Science challenges helps her to continually grow, examine (her) boundaries, and develop her imagination. Still, she has not yet determined whether the fact that she has never solved the same problem in exactly the same way is a good or bad thing. She hopes her colleagues, or maybe someone in the community, will help her finally come up with the correct answer.

Be the first to comment

Leave a Reply

Your email address will not be published.


*