Машинное обучение: что это и как его внедрить

Сегодня нам часто приходится слышать о таких понятиях как искусственный интеллект (artificial intelligence), машинное обучение (machine learning) и глубокое обучение (deep learning). Однако не все из нас в действительности знают, что они означают.

В данном видео авторы дают простые и понятные определения этим трем явлениям, а также рассказывают, какие существуют мифы вокруг машинного обучения и как внедрить эту технологию в своей компании:

Ниже представляем его перевод.

Содержание статьи

Определение понятий
Подходы к машинному обучению
Машинное обучение и краудсорсинг
Вместо заключения

Определение понятий

Итак, для начала разграничим понятия «искусственный интеллект», «машинное обучение» и «глубокое обучение».

Искусственный интеллект — это довольно обширное понятие, включающее в себя решение множества различных задач посредством моделирования естественного интеллекта. Эти технологии по большей части довольно футуристичны. На сегодняшний день еще далеко не все задачи могут быть решены с помощью искусственного интеллекта.
Машинное обучение — это особый подраздел искусственного интеллекта, который некоторые еще называют ограниченным искусственным интеллектом. По сути, это набор алгоритмов, используемых для обучения машин решению определенных задач.
В машинном обучении существуют различные подходы. Одним из таких подходов является глубокое обучение, позволяющее решать более сложные задачи. Глубокое обучение довольно хорошо справляется с распознаванием объектов на изображении, позволяя, к примеру, отличить кошку от собаки или прочесть номерной знак.

Подходы к машинному обучению

С чего начать внедрение машинного обучения? Один из вариантов предполагает использование активов предприятия (corporate assets). Необходимо собрать эти данные, а затем внедрить их в модели.

Существует три подхода к машинному обучению: статическое обучение (static learning), динамическое обучение (dynamic learning) и обучение с подкреплением (reinforcement learning).

Чтобы обеспечить соответствие стандартам, необходимо оценивать качество создаваемых моделей. При статическом подходе обучение модели основывается на решении стандартной задачи. Статическое обучение позволяет сравнивать работу моделей между собой.

Данные меняются, и с течением времени может произойти дрейф понятий (concept drift). В этом случае вы переобучаете модель, используя новые данные.

Машинное обучение и краудсорсинг

При краудсорсинге часто ожидают, что после запуска модель начнет обучаться динамически, постепенно улучшаясь со временем.

Вы должны быть абсолютно уверены, что люди, принимающие участие в обучении, понимают, что в точности представляют из себя цифровые активы. Когда речь идет о безопасности данных, цена ошибки довольно высока. Это далеко не то же самое, что дать неправильную оценку фильму или принять рысь за домашнюю кошку при распознавании изображений.

Важно быть действительно уверенным в том, что в обучении участвуют правильные люди и не искажают результаты. Помимо этого стоит учитывать предвзятость, которую вы не в состоянии контролировать. Также необходимо провести контроль качества (quality assurance) и оценить результат.

Именно с краудсорсингом связан один из самых больших мифов в машинном обучении.

Некоторые считают, что можно просто внедрить краудсорсинг и каждый будет в точности знать, как и что делать. Это не всегда так. Иногда встречаются разные мнения по поводу того, является информация чувствительной или нет. Скажем, в случае с приглашением на обед все будет очевидно, но нельзя сказать то же самое о пресс-релизе.

Таким образом, вы можете использовать краудсорсинг. Однако, чтобы он был успешен, вам следует установить критерии успеха, учитывать предвзятость, а также использовать локальные знания людей. Например, специалистам финансового отдела известны одни чувствительные активы, отделу кадров — другие, и т.д.