Panduan bisnis untuk pembelajaran mesin

Dari pemrosesan bahasa alami (NLP) hingga pembelajaran mendalam dan seterusnya, pembelajaran mesin (ML) telah memasuki banyak aspek teknologi bisnis yang paling populer. ML hanyalah salah satu faktor dalam revolusi kecerdasan buatan (AI), tetapi ini penting. Algoritma ML adalah lapisan kecerdasan vital yang dimasukkan ke dalam produk yang kita gunakan, dan kita hanya akan melihatnya merangkak ke dalam lebih banyak kasus penggunaan di masa depan.

Algoritma ML tertanam dalam jalinan banyak teknologi yang kita gunakan setiap hari. Inovasi ML yang mencakup visi komputer, pembelajaran mendalam, NLP, dan lainnya adalah bagian dari revolusi yang lebih besar seputar AI praktis. Mereka bukan robot otonom atau makhluk hidup tetapi jenis kecerdasan yang diintegrasikan ke dalam aplikasi, perangkat lunak, dan layanan cloud kami yang menggabungkan algoritma AI dan Big Data di bawah permukaan.

Tren ini bahkan lebih menonjol dalam bisnis. ML tidak lagi hanya digunakan untuk proyek penelitian khusus yang dilakukan oleh tim ilmuwan data. Perusahaan sekarang menggunakan ML untuk mendapatkan intelijen bisnis yang dapat ditindaklanjuti (BI) dan analitik prediktif dari jumlah data yang semakin meningkat. Itulah mengapa lebih penting daripada sebelumnya untuk tidak hanya tahu apa itu ML, tetapi juga untuk mempelajari strategi yang paling efektif tentang bagaimana menggunakannya untuk nilai nyata.

Ted Dunning, Ph.D., adalah Kepala Arsitek Aplikasi di MapR, yang menyediakan distribusi Big Data dan alat manajemen data untuk perusahaan, dan juga turut menulis dua buku tentang apa yang ia sebut sebagai "Pembelajaran Mesin Praktis." Veteran Silicon Valley telah bekerja di lapangan selama beberapa dekade, mengamati teknik AI dan ruang berkembang ke titik di mana kemajuan dalam komputasi kognitif dan ketersediaan alat open-source benar-benar telah membawa ML ke arus utama. Dunning berbicara dengan PCMag untuk memotong jargon, menjelaskan apa arti sebenarnya dari ML, dan memberikan beberapa kebijaksanaan dan praktik terbaik tentang bagaimana bisnis dapat memanfaatkan sebagian besar investasi ML mereka.

Definisi Praktis

Definisi langsung dari ML adalah memberi sistem kemampuan untuk bertindak dan untuk secara iteratif belajar dan melakukan penyesuaian, tanpa pemrograman eksplisit. Dunning mengatakan ML adalah cabang statistik tetapi cabang yang sangat praktis. Dia menekankan bahwa, dalam konteks bisnis dunia nyata, Anda harus pragmatis dan realistis dengan cara Anda menerapkannya. Tugas inti ML adalah menciptakan proses bisnis yang dapat diulang, andal, dan dapat dieksekusi.

"Pembelajaran mesin bukan tentang melihat ke belakang pada data ilmiah dan mencoba untuk memutuskan kesimpulan apa yang layak, " kata Dunning. "Ini tentang melihat ke depan, dan menanyakan apa yang bisa kita prediksi tentang masa depan dan apa yang akan terjadi dalam berbagai skenario. Ketika berbicara tentang melakukan bisnis dengan data ini, kita berbicara tentang situasi yang sangat terbatas di mana Anda ingin ditiru."

Kredit gambar: Todd Jaquith di Futurism.com. Klik untuk memperluas infografis lengkap.

Pembelajaran Jauh vs. Pembelajaran Murah

Anda dapat memecah ide dasar itu ke dalam sejumlah bidang berbeda dalam ML, tetapi Dunning menunjuk dua secara khusus di kedua ujung spektrum: pembelajaran mendalam dan apa yang disebutnya "pembelajaran murah". Pembelajaran mendalam adalah konsep yang lebih rumit.

"Kami ingin pembelajaran mesin lebih dalam. Itulah asal mula istilah itu, " kata Dunning. "Selama 10 atau 15 tahun terakhir, teknik telah dikembangkan yang benar-benar melakukannya. Dulu membutuhkan banyak pekerjaan teknik untuk membuat hubungan dalam data dapat dilihat oleh algoritma, yang, untuk waktu yang lama, tidak sepintar kami Anda menginginkannya. Anda harus memberikan algoritme data yang enak ini di piring, jadi kami biasa meng-hand-code semua fitur yang sekarang dilakukan sistem sendiri."

Pembelajaran mendalam adalah tempat di mana banyak inovasi di sekitar jaringan saraf terletak. Ini menggabungkan teknik-teknik canggih seperti visi komputer dan NLP ke dalam lapisan pembelajaran "lebih dalam" yang telah menyebabkan langkah besar di berbagai bidang seperti pengenalan gambar dan teks. Ini bagus untuk pemodelan yang rumit tetapi bisa berlebihan untuk penggunaan bisnis sehari-hari yang lebih sederhana yang dapat mengandalkan kerangka kerja dan teknik ML yang sudah mapan dengan parameter yang jauh lebih sedikit.

Pembelajaran murah, Dunning menjelaskan, berarti teknik yang sederhana, efektif, dicoba dan diuji di mana bisnis tidak perlu menginvestasikan sumber daya yang mahal untuk menemukan kembali roda.

"Dalam komputasi, kita berbicara banyak tentang buah yang tergantung rendah. Ketersediaan data dan peningkatan besar dalam kapasitas komputasi berarti kita telah menurunkan seluruh pohon, " jelasnya. "Pembelajaran mesin sederhana bukan hanya untuk ilmuwan data lagi."

Bagaimana Cara Kerja Pembelajaran Murah?

Algoritma ML dasar dapat mengidentifikasi korelasi dan membuat rekomendasi, atau membuat pengalaman lebih kontekstual dan personal. Dunning mengatakan ada peluang di hampir setiap aspek tentang bagaimana kita berinteraksi dengan komputer agar mereka dapat menggunakan pembelajaran murah untuk sekadar membuat segalanya bekerja lebih baik.

Salah satu contoh pembelajaran murah dalam praktik adalah dalam deteksi penipuan. Bank dan pedagang berurusan dengan penipuan yang meluas, tetapi sering kali tersebar dan menyangkut nilai-nilai yang cukup rendah sehingga tidak dilaporkan. Dunning menjelaskan bahwa dengan menggunakan algoritma pembelajaran murah (yaitu, tes ML yang sudah ada yang diprogram untuk tugas khusus ini), pedagang dapat lebih mudah mengidentifikasi titik-titik kompromi yang umum yang menempatkan pengguna pada risiko dan menangkap pola penipuan yang seharusnya tidak terjadi. terlihat.

"Misalkan Anda ingin menemukan pedagang mana yang tampaknya membocorkan data yang mengarah ke penipuan. Anda dapat menggunakan tes G ² untuk hanya menemukan pedagang mana yang terlalu terwakili dalam sejarah transaksi korban penipuan versus konsumen tanpa penipuan, " Dunning kata. "Ini tampaknya terlalu sederhana untuk disebut pembelajaran mesin, tetapi ia menemukan orang jahat dalam kehidupan nyata. Perluasan teknik ini dapat digunakan untuk menambah teknik yang agak lebih maju yang memungkinkan algoritma pembelajaran yang lebih sederhana untuk berhasil di mana mereka mungkin gagal jika tidak."

Pembelajaran murah dapat digunakan dalam segala macam cara yang berbeda, jadi Dunning memberi contoh lain tentang bagaimana bisnis online mungkin menggunakannya. Dalam contoh ini, ia menjelaskan bagaimana algoritma ML yang ada dapat memecahkan masalah peringkat komentar sederhana.

"Seandainya Anda memiliki artikel dengan sejumlah komentar di atasnya. Bagaimana urutannya? Bagaimana kalau memesan komentar menurut seberapa menariknya orang-orang? Anda dapat menghitung berapa kali orang membaca komentar, dan bagaimana berkali-kali mereka memuji itu, tetapi masih ada sedikit keajaiban yang dibutuhkan, "kata Dunning.

"Satu suara positif dari satu pembaca mungkin sebenarnya tidak lebih baik daripada delapan suara positif dari 10 pembaca, " jelasnya. "Lebih buruk lagi, jika Anda menempatkan pemenang awal di atas, komentar lain tidak pernah melihat cahaya hari dan jadi Anda tidak pernah belajar tentang mereka. Sedikit pembelajaran mesin yang disebut pengambilan sampel Thompson dapat menyelesaikan ini dengan cara yang mengumpulkan data pada komentar baru dan di mana peringkat tidak pasti, tetapi umumnya memesannya dengan cara yang memberi pengguna pengalaman terbaik."

Dunning juga memberikan serangkaian praktik terbaik untuk bagaimana bisnis Anda dapat memanfaatkan ML secara maksimal. Untuk perincian tentang bagaimana logistik, data, dan gudang berbagai algoritme dan faktor alat menjadi strategi bisnis yang sukses, lihat 7 Tips untuk kisah Sukses Pembelajaran Mesin kami.

2018 dan Beyond: Where ML Is Now

Mungkin ini tidak mengejutkan bagi Anda, tetapi Big Data dan ruang basis data terkait tumbuh dengan cepat untuk sedikitnya. Selama konferensi BigData SV 2018 di San Jose, Peter Burris, Chief Research Officer dari perusahaan analis teknologi Wikibon Research, mempresentasikan temuan yang menunjukkan bahwa pendapatan dari industri Big Data global diperkirakan tumbuh dari $ 35 miliar pada 2017 menjadi $ 42 miliar pada 2018. Pada Selain itu, Burris memperkirakan pendapatan akan mencapai $ 103 miliar pada tahun 2027.

Untuk secara efektif menangani semua data ini, solusi ML cerdas akan menjadi lebih penting daripada sekarang. Jelas bahwa ML akan terus menjadi topik hangat di masa mendatang. Ketika kami terakhir berbicara dengan MapR's Dunning setahun yang lalu, ia menekankan mengambil pendekatan yang realistis dan diperhitungkan untuk ML untuk bisnis. Tapi satu tahun adalah waktu yang lama ketika Anda berbicara tentang teknologi. Kami baru-baru ini bertemu dengan Dunning dan, menurutnya, segalanya tetap sama sejak percakapan terakhir kami. "Pada level yang lebih tinggi itu, tidak banyak yang berubah, " kata Dunning. "Gagasan dasar untuk beralasan dari bukti jelas bukan berita selama setahun terakhir, tetapi beberapa alat telah berubah."

Dengan pemikiran itu, Dunning juga mengatakan bahwa ada lebih banyak pemain di lapangan daripada setahun yang lalu, tetapi fakta itu tidak selalu merupakan hal yang baik. "Satu hal yang terjadi adalah munculnya lebih banyak vendor yang berbicara tentang pembelajaran mesin 'ajaib', untuk menempatkan kata buruk di atasnya, " jelasnya. "Ada kesalahpahaman besar bahwa Anda hanya bisa membuang data Anda ke suatu produk dan mendapatkan beberapa wawasan yang indah darinya."

• Mengapa Pembelajaran Mesin Adalah Masa Depan Mengapa Pembelajaran Mesin Adalah Masa Depan
• Comet.ml Ingin Mengubah Cara Kami Berinteraksi dengan Pembelajaran Mesin Comet.ml Ingin Mengubah Bagaimana Kami Berinteraksi dengan Pembelajaran Mesin
• Google Menyederhanakan Pembelajaran Mesin Dengan SQL Google Menyederhanakan Pembelajaran Mesin dengan SQL

Mengharapkan hasil ajaib dari ML bisa menjadi "underwhelming, " menurut Dunning. "Anda masih harus memikirkan masalah apa yang sebenarnya penting. Anda masih harus mengumpulkan data, dan Anda masih harus mengelola penyebaran sistem Anda, " katanya. "Dan realitas pragmatis dan logistik ini masih mendominasi masalah."

Dunning mengambil masalah dengan beberapa pemasaran tinggi yang ditawarkan oleh beberapa perusahaan perangkat lunak. "Tak satu pun dari AI semacam sihir yang membahas hal itu, " katanya. Dia punya saran untuk dipertimbangkan bisnis. Menurutnya, salah satu cara untuk memastikan praktik yang baik adalah mempekerjakan analis bisnis AI khusus sehingga Anda dapat meminta seseorang di perusahaan Anda mengidentifikasi aspek-aspek bisnis Anda yang dapat ditingkatkan menggunakan teknologi ML.

"Dalam beberapa kasus, itu bisa menjadi perpanjangan dari bisnis Anda ke peluang baru, " jelas Dunning. Namun dalam kebanyakan kasus, bagaimanapun, dia menekankan bahwa mempekerjakan seseorang untuk memahami kebutuhan organisasi Anda dan menggunakan informasi itu untuk memandu strategi ML Anda sangat penting.