Der Business Guide für maschinelles Lernen

Von der Verarbeitung natürlicher Sprache (NLP) bis zum Deep Learning und darüber hinaus hat das maschinelle Lernen (ML) viele Aspekte der beliebtesten Geschäftstechnologien erfasst. ML ist nur ein Faktor bei der Revolution der künstlichen Intelligenz (KI), aber es ist ein wichtiger Faktor. ML-Algorithmen sind eine wichtige Intelligenzschicht, die in die von uns verwendeten Produkte eingebettet ist, und wir werden sehen, dass sie sich in Zukunft nur noch in weitere Anwendungsfälle einschleichen.

ML-Algorithmen sind in die Struktur eines Großteils der Technologie eingebettet, die wir jeden Tag verwenden. ML-Innovationen in den Bereichen Computer Vision, Deep Learning, NLP und darüber hinaus sind Teil einer größeren Revolution im Bereich der praktischen KI. Es handelt sich nicht um autonome Roboter oder Lebewesen, sondern um eine Art von Intelligenz, die in unsere Apps, Software und Cloud-Dienste integriert ist und AI-Algorithmen und Big Data unter der Oberfläche kombiniert.

Im Geschäft ist der Trend noch deutlicher. ML wird nicht mehr nur für spezielle Forschungsprojekte verwendet, die von einem Team von Datenwissenschaftlern durchgeführt werden. Unternehmen nutzen ML jetzt, um aus immer größeren Datenmengen verwertbare Business Intelligence (BI) und prädiktive Analysen zu erhalten. Deshalb ist es wichtiger denn je, nicht nur zu wissen, was ML ist, sondern auch die effektivsten Strategien zu erlernen, wie man es für einen greifbaren Wert einsetzt.

Ted Dunning, Ph.D., ist der Chief Application Architect bei MapR, der Big Data-Distributionen und Datenverwaltungstools für Unternehmen bereitstellt, und er hat auch zwei Bücher über das, was er als "praktisches maschinelles Lernen" bezeichnet, mitverfasst. Der Silicon Valley-Veteran hat jahrzehntelang auf diesem Gebiet gearbeitet und beobachtet, wie sich die KI-Techniken und der Weltraum so weit entwickelt haben, dass Fortschritte im Bereich des kognitiven Computing und die Verfügbarkeit von Open-Source-Tools ML zum Mainstream gemacht haben. Das Mahnwesen sprach mit PCMag, um den Jargon zu durchbrechen, zu erklären, was ML tatsächlich bedeutet, und um einige Weisheiten und Best Practices zu vermitteln, wie Unternehmen das Beste aus ihren ML-Investitionen machen können.

Eine praktische Definition

Die klare Definition von ML gibt Systemen die Möglichkeit, ohne explizite Programmierung zu handeln und iterativ zu lernen und Anpassungen vorzunehmen. Dunning sagte, ML sei ein Zweig der Statistik, aber ein Zweig, der sehr praktisch sei. Er betonte, dass Sie in einem realen Geschäftskontext pragmatisch und realistisch sein müssen, wie Sie es anwenden. Die Kernaufgabe von ML besteht darin, einen Geschäftsprozess zu erstellen, der wiederholbar, zuverlässig und ausführbar ist.

"Beim maschinellen Lernen geht es nicht darum, wissenschaftliche Daten in den Hintergrund zu rücken und zu entscheiden, welche Schlussfolgerungen durchführbar sind", sagte Dunning. "Es geht darum, nach vorne zu schauen und zu fragen, was wir über die Zukunft vorhersagen können und was in verschiedenen Szenarien passieren wird. Wenn es darum geht, mit diesen Daten Geschäfte zu machen, sprechen wir über sehr begrenzte Situationen, in denen Sie Replizierbarkeit wünschen."

Bildnachweis: Todd Jaquith bei Futurism.com. Klicken Sie, um die vollständige Infografik zu vergrößern.

Deep Learning vs. Billiges Lernen

Sie können diese Grundidee in eine Reihe von Bereichen innerhalb von ML aufteilen, aber Dunning wies auf zwei Bereiche hin, insbesondere auf beide Seiten des Spektrums: Deep Learning und das, was er "billiges Lernen" nennt. Deep Learning ist das kompliziertere Konzept.

"Wir wollten, dass das maschinelle Lernen vertieft wird. Das ist der Ursprung des Begriffs", sagte Dunning. "In den letzten 10 oder 15 Jahren wurden Techniken entwickelt, die dies tatsächlich tun. Sie erforderten viel Engineering-Arbeit, um Beziehungen in den Daten für Algorithmen sichtbar zu machen, die lange Zeit nicht so clever waren wie wir Sie mussten Algorithmen für diese wohlschmeckenden Daten auf einer Platte bereitstellen. Deshalb haben wir all diese Funktionen, die Systeme jetzt selbst ausführen, manuell codiert."

Beim Deep Learning liegt ein Großteil der Innovation in Bezug auf neuronale Netze. Es kombiniert ausgefeilte Techniken wie Computer Vision und NLP zu Ebenen "tieferen" Lernens, die zu enormen Fortschritten in Bereichen wie der Bild- und Texterkennung geführt haben. Dies ist ideal für komplexe Modellierungen, kann jedoch für einfachere, alltägliche Geschäftsanwendungen, die auf etablierten ML-Frameworks und -Techniken mit weitaus weniger Parametern beruhen, zu viel Aufwand führen.

Billiges Lernen, erklärte Dunning, bedeutet einfache, effektive und erprobte Techniken, bei denen Unternehmen keine teuren Ressourcen investieren müssen, um das Rad neu zu erfinden.

"Beim Rechnen reden wir viel über niedrig hängende Früchte. Die Verfügbarkeit von Daten und die massive Erhöhung der Rechenkapazität bedeuten, dass wir den gesamten Baum gesenkt haben", erklärte er. "Einfaches maschinelles Lernen ist nicht mehr nur für Datenwissenschaftler."

Wie funktioniert billiges Lernen?

Grundlegende ML-Algorithmen können Korrelationen identifizieren und Empfehlungen aussprechen oder Erfahrungen kontextbezogener und personalisierter gestalten. Dunning sagte, es gebe in nahezu allen Aspekten der Interaktion mit Computern die Möglichkeit, billiges Lernen zu nutzen, um die Dinge einfach zum Laufen zu bringen.

Ein Beispiel für billiges Lernen in der Praxis ist die Betrugserkennung. Banken und Händler befassen sich mit weitverbreitetem Betrug, der jedoch häufig verstreut ist und zu niedrig genug ist, um nicht gemeldet zu werden. Das Mahnwesen erklärte, dass durch die Verwendung eines Algorithmus für billiges Lernen (dh eines vorhandenen ML-Tests, der für diese spezielle Aufgabe programmiert ist) die Händler die allgemeinen Kompromisspunkte leichter identifizieren können, die die Benutzer gefährden und Betrugsmuster aufdecken, die ansonsten nicht möglich wären sichtbar.

"Nehmen wir an, Sie möchten herausfinden, welche Händler offenbar Daten verlieren, die zu Betrug führen. Mit einem G ² -Test können Sie einfach herausfinden, welche Händler in der Transaktionshistorie von Betrugsopfern gegenüber Verbrauchern ohne Betrug überrepräsentiert sind." sagte. "Dies scheint zu einfach zu sein, um als maschinelles Lernen bezeichnet zu werden, aber es findet böse Jungs im wirklichen Leben. Erweiterungen dieser Technik können verwendet werden, um etwas fortgeschrittenere Techniken zu erweitern, so dass einfachere Lernalgorithmen erfolgreich sind, wenn sie andernfalls fehlschlagen könnten."

Billiges Lernen kann auf viele verschiedene Arten eingesetzt werden, daher gab Dunning ein weiteres Beispiel dafür, wie ein Online-Unternehmen es einsetzen könnte. In diesem Beispiel erklärte er, wie ein vorhandener ML-Algorithmus ein einfaches Problem der Kommentarrangfolge lösen kann.

"Angenommen, Sie haben einen Artikel mit einer Reihe von Kommentaren. In welcher Reihenfolge sollten sie platziert werden? Wie wäre es, wenn Sie die Kommentare nach der Meinung interessanter Personen ordnen? Sie können zählen, wie oft die Kommentare gelesen wurden und wie Viele Male haben sie dafür gestimmt, aber es ist noch ein bisschen Magie erforderlich ", sagte Dunning.

"Eine positive Bewertung von einem Leser ist wahrscheinlich nicht besser als acht positive Bewertungen von zehn Lesern", erklärte er. "Schlimmer noch, wenn Sie frühe Gewinner an die Spitze stellen, werden die anderen Kommentare nie sichtbar und Sie erfahren nie etwas über sie. Ein kleines bisschen maschinelles Lernen namens Thompson Sampling kann dies auf eine Weise lösen, bei der Daten zu neuen Kommentaren gesammelt werden und wo Rankings ungewiss sind, aber im Allgemeinen so angeordnet sind, dass die Benutzer die beste Erfahrung machen."

Das Mahnwesen hat auch eine Reihe von Best Practices festgelegt, mit denen Sie die Vorteile von ML für Ihr Unternehmen nutzen können. In unseren 7 Tipps für den Erfolg des maschinellen Lernens erfahren Sie, wie Logistik, Daten und ein Arsenal verschiedener Algorithmen und Tools zu einer erfolgreichen Geschäftsstrategie beitragen.

2018 und darüber hinaus: Wo ist ML jetzt?

Vielleicht überrascht Sie das nicht, aber Big Data und der damit verbundene Datenbankbereich wachsen, gelinde gesagt, rasant. Während der BigData SV 2018-Konferenz in San Jose präsentierte Peter Burris, Chief Research Officer des Technologieanalysten-Unternehmens Wikibon Research, Ergebnisse, die darauf hinweisen, dass der Umsatz der globalen Big Data-Branche von 35 Mrd. USD im Jahr 2017 auf 42 Mrd. USD im Jahr 2018 steigen wird Darüber hinaus prognostiziert Burris einen Umsatz von 103 Milliarden US-Dollar bis zum Jahr 2027.

Um all diese Daten effektiv verarbeiten zu können, werden intelligente ML-Lösungen noch notwendiger als bisher. Es ist klar, dass ML auf absehbare Zeit ein heißes Thema bleiben wird. Als wir vor einem Jahr das letzte Mal mit MapRs Mahnwesen gesprochen haben, hat er betont, dass ML for Business eine kalkulierte, realistische Herangehensweise ist. Aber ein Jahr ist eine lange Zeit, in der es um Technik geht. Vor kurzem haben wir Dunning eingeholt und ihm zufolge sind die Dinge seit unserem letzten Gespräch ungefähr gleich geblieben. "Auf dieser höheren Ebene hat sich nicht viel geändert", sagte Dunning. "Die Grundidee, aus Beweisen zu schließen, ist sicherlich nicht neu im letzten Jahr, aber einige der Werkzeuge haben sich geändert."

In diesem Sinne sagte Dunning auch, dass es mehr Spieler auf dem Feld gibt als noch vor einem Jahr, aber diese Tatsache ist nicht unbedingt eine gute Sache. "Eine Sache, die passiert ist, ist das Auftauchen von immer mehr Anbietern, die über 'magisches' maschinelles Lernen sprechen, um ein böses Wort darauf zu setzen", erklärte er. "Es gibt ein großes Missverständnis, dass Sie Ihre Daten einfach in ein Produkt werfen und daraus einige schöne Erkenntnisse gewinnen können."

• Warum maschinelles Lernen die Zukunft ist Warum maschinelles Lernen die Zukunft ist
• Comet.ml möchte die Art und Weise ändern, wie wir mit maschinellem Lernen interagieren Comet.ml möchte die Art und Weise ändern, wie wir mit maschinellem Lernen interagieren
• Google vereinfacht maschinelles Lernen mit SQL Google vereinfacht maschinelles Lernen mit SQL

Die Erwartung eines magischen Ergebnisses von ML kann laut Dunning "überwältigend" sein. "Sie müssen immer noch darüber nachdenken, welches Problem tatsächlich von Bedeutung ist. Sie müssen immer noch Daten sammeln und die Bereitstellung Ihres Systems verwalten", sagte er. "Und diese pragmatischen, logistischen Realitäten dominieren immer noch das Problem."

Das Mahnwesen hat Probleme mit dem hohen Marketing einiger Softwarefirmen. "Keine der magischen KI-Sachen spricht das überhaupt an", sagte er. Er gibt Unternehmen einen Ratschlag, den sie berücksichtigen sollten. Seiner Meinung nach besteht eine Möglichkeit, gute Praktiken sicherzustellen, darin, einen bestimmten AI-Business-Analysten einzustellen, damit Sie jemanden in Ihrem Unternehmen dazu bringen können, Aspekte Ihres Geschäfts zu identifizieren, die mithilfe der ML-Technologie verbessert werden können.

"In einigen Fällen könnte dies eine Ausweitung Ihres Geschäfts auf neue Möglichkeiten sein", erklärte Dunning. In den meisten Fällen betonte er jedoch, dass es von entscheidender Bedeutung ist, jemanden einzustellen, der die Bedürfnisse Ihres Unternehmens versteht und diese Informationen als Richtschnur für Ihre ML-Strategie verwendet.