Раскрытие машинного обучения: практические инсайты для отраслевых лидеров

Машинное обучение (ML) может показаться непроницаемым для любого, незнакомого с ним. Недостаток понимания того, что такое ML и что оно означает для производственной отрасли, иногда рождает безумные идеи об интеллектуальных машинах, готовых захватить человечество. Но ML, в основном, — это крупный шаг вперед в развитии информационных технологий (IT). То, как это работает, и его ограничения, должны быть полностью поняты теми, кто хочет использовать его в полной пользе своих организаций.

ML, признается, требует использования специфических статистических и IT навыков, которые мало у кого есть сейчас или которые были нужны в производстве. Но его принципы довольно просты — и даже интуитивно понятны. Для меня это был то, что я когда-то считал довольно скучной онлайн-услугой перевода языков — а именно Google Translate — который помог мне осознать трансформационный потенциал ML.

Просто скажем, программное обеспечение перевода языков давно основано на программировании словарей, грамматических правил и их многочисленных исключений. Этот подход включает значительные усилия.

От «на основе правил» к «на основе данных» процессам

• Новая методология вытекла из более простой идеи: не пытайтесь определять правила и лексические таблицы с нуля, позвольте программному обеспечению их «обнаружить». Миллионы уже переведенных страниц собираются от международных организаций.

• Когда пользователь отправляет текст для перевода, программное обеспечение нарезает его на базовые элементы и затем ищет идентичные или похожие в том же языке в уже переведенных страницах.

• Наиболее вероятный перевод извлекается для предложения пользователю.

Релевантные статистические паттерны, найденные в данных, поэтому заменяют правила перевода. Вместо того чтобы их нужно было тщательно запрограммировать, они автоматически «учатся» программным обеспечением. Легко увидеть ценность экономии затрат этого подхода по сравнению с традиционным, особенно поскольку качество полученного перевода обычно на уровне с ним.

В производстве приросты производительности усиливаются существенным улучшением качества. Кто-либо, кто когда-либо специфицировал процессы автоматизации, знает, насколько сложно может быть предвидеть все возможные ситуации, с которыми программное обеспечение придется столкнуться, когда оно в производстве. Это даже когда функциональные предметные эксперты вовлечены. Функциональные правила программного обеспечения основаны на предположениях, которые сами полагаются на ограниченное число наблюдений. Но реальность часто оказывается гораздо более сложной, чем ожидалось, означая, что автоматизация в конечном итоге субаптимальна или что программное обеспечение заканчивает требовать дорогих исправлений.

Машинное обучение, с другой стороны, впитывает и развивает себя, используя все доступные данные, независимо от объема. Это означает, что риск того, что паттерны или вариант использования будут оставлены вне картины, ограничен.

Люди должны оставаться у руля

Машина также избегает «когнитивных предвзятостей» человеческого интеллекта, которые переводятся в несовершенные выборы доступных данных и несоответствующее принятие решений.

Хороший пример — автоматизированная обработка заявок на кредиты, получаемых банками. Алгоритм смотрит через ключевую информацию заемщика вместе с информацией о погашении. Затем он подсвечивает вероятные отношения между профилем заемщика и риском дефолта. Примененный к новому запросу на кредит, алгоритм предскажет, с уровнем точности, считаемым достаточным, вернет ли заемщик деньги. Это означает, что риск плохого решения, спровоцированного предвзятостью или настроением банковского оператора, устраняется.

Тем не менее, критически важно, чтобы люди оставались конечными decision-makers.

Перво, потому что программное обеспечение очевидно не идеально. Оно управляется настройками, сделанными людьми. Например, оно может быть оптимизировано для избежания «ложноположительных» (где кредит предоставляется заемщику, который будет в дефолте) и поэтому будет склоняться к отклонению определенных заявок на кредит. Поэтому пользователь должен проверять, что рекомендации системы легитимны и, если необходимо, отклонять их. Это позволит системе учить новые критерии так, что алгоритм примет заявки от похожих профилей в следующий раз.

Другой ключевой причиной является то, что только люди должны гарантировать соблюдение этических стандартов, особенно когда решение касается прав отдельного лица.

Данные превыше всего

Существенно выбрать и настроить алгоритмическую модель, соответствующую производственному процессу на кону и типу данных, его поддерживающего. Производительность автоматизации будет зависеть от выполнения двух императивов: качества данных и репрезентативности обучающей выборки, означая, что автоматизация будет более эффективной, когда ML проводится на основе несмещенных наблюдений.

Доступ к данным критически важен для успеха ML, потому что, в конечном счете, никакой уровень алгоритмической изощренности никогда не компенсирует плохой набор данных.

С растущей мощью компьютеров и оцифровкой стало возможным и, вероятно, существенно, использовать data-driven подход для проектирования более эффективных автоматизированных производственных процессов. Помимо требуемых научных навыков, успех этих решений лежит в сборе релевантных данных и мониторинге их операций людьми. Машинное обучение склонно отклонять произвольные поведения. Нам решать, чтобы убедиться, что оно не заменяет их несоответствующими переобобщениями.

Автор: Жан-Кирилл Шюттерле, VP Product & Data Science в Sidetrade