Демистификация машинного обучения

Машинное обучение (ML) может показаться непонятным любому, кто с ним не знаком. Непонимание того, что такое машинное обучение и что оно означает для производителя...

Машинное обучение (МО) может показаться непонятным для тех, кто с ним не знаком. Отсутствие понимания того, что такое машинное обучение и что оно означает для обрабатывающей промышленности, иногда порождает нелепые идеи об интеллектуальных машинах, готовых захватить человечество. Но машинное обучение, по сути, является большим достижением в развитии информационных технологий (ИТ). Принцип его работы и его ограничения должны быть полностью поняты теми, кто хочет использовать его для наибольшей выгоды для своих организаций.

ML, по общему признанию, требует использования определенных статистических и ИТ-навыков, которые еще есть у немногих людей или которые требовались в производстве. Но его принципы довольно просты и даже интуитивно понятны. Для меня именно то, что я когда-то считал довольно обыденным онлайн-сервисом языкового перевода, а именно Google Translate, помогло мне реализовать преобразующий потенциал машинного обучения.

Проще говоря, программное обеспечение для языкового перевода долгое время основывалось на словарях программирования, грамматических правилах и их многочисленных исключениях. Этот подход требует значительных усилий.

От процессов, основанных на правилах, к процессам, управляемым данными

·  Новая методология основана на более простой идее:не пытайтесь определять правила и лексические таблицы с нуля, позвольте программе «обнаружить» их. Миллионы уже переведенных страниц получены от международных организаций.

·  Когда пользователь отправляет текст на перевод, программа разбивает его на основные элементы, а затем ищет идентичные или похожие на том же языке на переведенных страницах.

·  Извлекается наиболее вероятный перевод, который предлагается пользователю.

Таким образом, соответствующие статистические закономерности, обнаруженные в данных, заменяют правила перевода. Вместо кропотливого программирования они автоматически «изучаются» программным обеспечением. Нетрудно увидеть экономию средств при таком подходе по сравнению с традиционным, тем более что качество получаемого перевода обычно не уступает ему.

В производстве рост производительности усугубляется существенным улучшением качества. Любой, кто когда-либо определял процессы автоматизации, знает, насколько сложно предвидеть все возможные ситуации, с которыми столкнется программное обеспечение, когда оно будет запущено в эксплуатацию. И это даже при участии экспертов в функциональной области. Функциональные правила программного обеспечения основаны на предположениях, которые сами по себе основаны на ограниченном числе наблюдений. Но реальность часто оказывается намного сложнее, чем ожидалось, а это означает, что автоматизация в конечном итоге неоптимальна или что в конечном итоге программное обеспечение требует дорогостоящих исправлений.

Машинное обучение, с другой стороны, поглощает и развивается, используя все доступные данные, независимо от их объема. Это означает, что риск того, что шаблоны или вариант использования не будут учтены, ограничен.

Люди должны оставаться главными

Машина также избегает «когнитивных предубеждений» человеческого интеллекта, которые приводят к несовершенному выбору доступных данных и принятию неверных решений.

Хорошим примером является автоматизированная обработка запросов на получение кредита, полученных банками. Алгоритм просматривает ключевую информацию о заемщике вместе с информацией о возмещении. Затем в нем подчеркивается вероятная взаимосвязь между профилем заемщика и риском дефолта. Применительно к новому запросу на получение кредита алгоритм будет предсказывать с уровнем точности, считающимся достаточным, выплатит ли заемщик долг. Это означает, что риск принятия плохого решения, вызванного предубеждением или настроением сотрудника банка, исключается.

Тем не менее крайне важно, чтобы люди по-прежнему принимали окончательное решение.

Во-первых, потому что программное обеспечение явно не идеально. Он регулируется настройками, сделанными людьми. Например, он может быть оптимизирован, чтобы избежать «ложных срабатываний» (когда кредит предоставляется заемщику, который не выполнит свои обязательства), и поэтому он будет склоняться к отклонению определенных кредитных заявок. Поэтому пользователь должен проверить правомерность рекомендаций системы и, при необходимости, отклонить их. Это позволит системе изучить новые критерии, чтобы в следующий раз алгоритм принимал заявки из похожих профилей.

Еще одна ключевая причина заключается в том, что только люди должны следить за соблюдением этических стандартов, особенно когда решение касается прав человека.

Все данные

Важно выбрать и настроить алгоритмическую модель, которая соответствует рассматриваемому производственному процессу и типу данных, поддерживающих его. Производительность автоматизации будет зависеть от выполнения двух императивов:качества данных и репрезентативности обучающей выборки, а это означает, что автоматизация будет более эффективной, когда машинное обучение выполняется на основе объективных наблюдений.

Доступ к данным имеет решающее значение для успеха машинного обучения, потому что, в конечном счете, никакой уровень сложности алгоритмов никогда не компенсирует плохой набор данных.

С ростом мощности компьютеров и цифровизации стало возможным и, вероятно, необходимым использовать подход, основанный на данных, для разработки более эффективных автоматизированных производственных процессов. Помимо необходимых научных навыков, успех этих решений заключается в сборе соответствующих данных и мониторинге их операций людьми. Машинное обучение имеет тенденцию отвергать произвольное поведение. Мы должны убедиться, что он не заменяет их неуместными чрезмерными обобщениями.

По Жан-Сирил Шюттерле, вице-президент по продуктам и данным в Sidetrade