Технологии машинного обучения используются уже на протяжении многих лет, но в последнее время интенсивность их применения заметно выросла. «Машинное обучение — основополагающий и трансформирующий способ переосмысления нами всего, что мы делаем», — заявил генеральный директор Google Сундар Пичаи. И он далеко не единственный, кто придерживается такого мнения.

В прошлом успешное использование машинного обучения требовало разработки специальных алгоритмов и выделения огромных денег на проведение научно-исследовательских работ, но все меняется. В 2015 году IBM Watson, Microsoft Azure, Amazon и Alibaba уже предлагают готовые облачные SaaS-решения для машинного обучения. Продукты для машинного обучения, которые могут пригодиться компаниям, создают и стартапы: Idibon, MetaMind, Dato и MonkeyLearn.

Аналитики Gartner включили машинное обучение в число главных своих приоритетов. Естественно, при этом не стоит ждать, что внедрение средств машинного обучения позволит заменить всех сотрудников компьютерами или удвоить ваши доходы. Но это вовсе не значит, что они не смогут обеспечить любой компании конкурентные преимущества. Есть очень много бизнес-процессов, которые от машинного обучения получат существенную выгоду.

Итак, каким же образом машинное обучение меняет способы ведения бизнеса?

1. Увеличение первоначальных затрат

Начнем с того, что системам машинного обучения нужны данные для обучения, а данные эти стоят денег. Особенно, если они подготовлены людьми.

Для эффективного применения машинного обучения в бизнесе алгоритмам необходимо множество примеров того, что предполагается делать. Если вы хотите получить алгоритм, распознающий хорошего потенциального покупателя, вы должны продемонстрировать ему массу примеров уже имеющихся покупателей, как хороших, так и плохих. Если нужен алгоритм, сортирующий заявки в службу технической поддержки, необходимо показать ему множество таких заявок. Если вы переводите алгоритм на другой язык, нужно собрать массу примеров выражений этого языка.

В некоторых случаях компания может организовать сеансы обучения у себя — например, оценивая компетентных и некомпетентных потенциальных покупателей. Но надо признать, что не все заявки на обслуживание, поступившие в течение года, были правильно отсортированы средствами автоматизации. Чтобы их сортировать, нужны люди — находящиеся непосредственно у вас или получающие доступ через платформу обогащения данных. Машина просматривает вынесенные вердикты и начинает искать связи и шаблоны, которые можно из всего этого вычленить.

Лучшие черты человека и машинного интеллекта соединяются: скорость и надежность машины используются для простых решений, а гибкость, знания и опыт человека — в сложных ситуациях

2. Заметное снижение последующих затрат

Когда все работает хорошо, машинное обучение оказывается гораздо дешевле и эффективнее людей. Недостаток же его заключается в том, что в 80% случаев все работает хорошо, а в 20% — плохо. Причем сократить этот 20-процентный поток ошибок очень сложно, а зачастую и невозможно.

Но даже алгоритм, обеспечивающий 80-процентную точность, может сэкономить вам немало денег, потому что хорошие алгоритмы машинного обучения знают, где они точны, а где с определенной долей вероятности допущена ошибка. В передовых компаниях используют те сценарии, где алгоритмы выражают высокую долю уверенности, а те, где она низка, оставляют человеку.

Банки практикуют такой подход на протяжении многих лет. Когда вы вставляете в банкомат чек, алгоритм пытается распознать присутствующие на нем цифры. Если у вас неразборчивый почерк или чернила размыты, соответствующая задача передается человеку.

3. Снижение затрат с течением времени

Важное преимущество машинного обучения заключается в том, что оно способно превратить часть непредсказуемых затрат в фиксированные. Переадресуя человеку сценарии, в которых алгоритм испытывает затруднения, вы формируете идеальные данные для обучения, и их впоследствии можно передать тому же алгоритму. Эта хорошо изученная технология называется активным обучением. Данные, собранные в сценариях, с которыми алгоритм не справился, помогают обучить тот же алгоритм и сделать его гораздо более эффективным.

По мере повышения точности алгоритма экономика бизнес-процессов улучшается. Машинное обучение позволяет увеличить число обрабатываемых сценариев, а дорогостоящий специалист вызывается только в самых тяжелых и редких случаях. Таким образом, лучшие черты человека и машинного интеллекта соединяются: скорость и надежность машины используются при принятии простых решений, а гибкость, знания и опыт человека — в сложных ситуациях.

Google несет машинное обучение в массы

В научно-исследовательских лабораториях Google давно работают над идеей машинного обучения, и некоторые полученные результаты уже нашли отражение в готовых продуктах, таких как Google Photos. И вот теперь Google запускает новый инструмент с открытым кодом, который поможет ей поделиться своими наработками с другими.

Систему машинного обучения TensorFlow можно будет запускать на чем угодно, начиная от отдельно взятого смартфона и заканчивая тысячами объединенных друг с другом компьютеров в ЦОД. Она создана на основе инфраструктуры глубокого обучения DistBelief, разработанной Google в 2011 году, но по сравнению с технологиями первого поколения продвинулась на несколько шагов дальше.

«TensorFlow — более быстрая, интеллектуальная и гибкая система по сравнению с тем, что было раньше, — заявил в своем блоге генеральный директор Google Сундар Пичаи. — Поэтому ее адаптация к потребностям новых продуктов и исследований проходит быстрее и проще».

«DistBelief отличалась узкой направленностью на нейронные сети, сложностью конфигурирования и тесной привязкой к внутренней инфраструктуре Google, что делало практически невозможным обмен исследовательским кодом с внешним миром», — пояснили старший исследователь Google Джефф Дин и руководитель технических направлений компании Раджат Монга.

TensorFlow на некоторых тестах работает вдвое быстрее DistBelief. А построение и обучение нейронных сетей выполняется в этом случае в пять раз быстрее.

Представив программное обеспечение с открытым исходным кодом, в Google рассчитывают ускорить обмен идеями с учеными, инженерами и энтузиастами. Систему можно использовать и для решения других задач, например для оказания ученым помощи в распутывании сложных данных в таких областях, как биология и астрономия.

Если исследователи при помощи TensorFlow сумеют добиться новых результатов, в выигрыше, естественно, окажется и Google.

Система TensorFlow с интерфейсом Python распространяется сейчас по лицензии Apache 2.0 в виде автономной библиотеки, снабженной необходимыми инструментами, примерами и руководствами. В настоящее время она запускается только на одной машине, но в перспективе существующую функциональность планируется расширить.

Машинное обучение все чаще находит применение в самых разных областях, в том числе и в корпоративном программном обеспечении. А автомобильный гигант Toyota объявил об очередных миллиардных инвестициях в проведение исследований в области искусственного интеллекта и роботизированных технологий.

— Кэтрин Нойес, Служба новостей IDG

 

Купить номер с этой статьей в PDF