Машинското учење (Machine Learning), денес се гледа како „клуч“ за отклучување на вредност зад податоци. Воедно, машинското учење се очекува да доведе до пресвртната точка во технолошкиот развој, и тоа во многу блиска иднина.
Најприфатената дефиниција (лаичка дефиниција или layman’s terms – дефиниција) е дека Machine Learning е гранка на вештачката интелигенција која им овозможува на компјутерите да учат од податоци, без притоа тие да бидат експлицитно програмирани за тоа. Секако, учењето од податоци не е со помош на магија, туку со користење алгоритми кои му овозможуваат на компјутерот да изведува прости заклучоци кога е „нахранет“ со голема количина податоци.
Филмовите кои ги добиваме како препораки на Netflix, способноста на Facebook да препознава лица на фотографии, како и самоуправувачките автомобили на Tesla, се примери на решенија базирани на Machine Learning.
Сепак, само поради тоа што алгоритмот на Netflix работи со податоци од типот на „ако гледате 8 часа “Friends” што друго би ви се допаднало“, не мора (и не може) секој алгоритам да биде толку „забавен“. Генерално, функцијата на алгоритмите, во голем број случаи, ќе биде наоѓање решенија во „помалку забавни“ области, споредено со областа на податоците со кои работи Netflix.
Следниве чекори можат да послужат како патоказ при имплементирање Machine Learning решенија кои ќе создадат вредност за вашиот бизнис.
Градење на податочна основа за организацијата
Најкритичниот чекор за воспоставување на Мachine Learning решение, речиси во секоја компанија, е создавање „екосистем“ кој овозможува непрекината интеграција на податоците низ целата организација.
Формирање на Machine Learning тим
Најчеста грешка при формирање Machine Learning тим е потрага по луѓе кои поседуваат неколку докторати, одлични програмерски вештини, неверојатни аналитички способности и неоткриен талент за бизнис прогнозирање. Во реалниот свет, постојат седум луѓе кои ќе се пронајдат во овој опис, а само двајца кои реално ги поседуваат вештините. Во техничкиот свет, овие луѓе се нарекуваат и „еднорози“, бидејќи се фигменти на имагинацијата на луѓето одговорни за вработување.
Она што треба еден Machine Learning тим да поседува е: експерт во областа во која работи компанијата, статистичар и инженер на податоци (внимание: не еден човек со овие способности, туку три посебни лица кои поседуваат по една од овие вештини). Доколку вашата работа, поради многу причини, не се залага за формирање сопствен Machine Learning тим кој ќе ги извршува тие задачи, outsourcing е секогаш одлична опција.
Креирање на „лабораториска“ средина
Ова не подразбира бели мантили, флуоресцентни светла и хируршки ракавици. Подразбира создавање средина во која Machine Learning тимот ќе се чуствува безбедно за да излезе надвор од својата комфорна зона.
За да се изведе успешно и брзо прототипирање, потребна е „лабораториска“ средина со пристап до сите податоци на организацијата (супер важен чекор), state-of-the-art аналитички алатки, и можност да се извршуваат маратонски долги тестови. Со ваков setup, Machine Learning тимот може брзо да премине од дефинирање на бизнис-предизвикот до спроведување аналитички експерименти, со крајна цел да се развие Machine Learning модел со голема моќ на предвидување.
Лабораториската средина му дозволува на тимот да извршува голем број истражувачки иницијативи, побрзо да „закрепне“ од „пропаднати“ експерименти и на крај, да ја дефинира највредната Machine Learning апликација за бизнисот.
Примена на успешните решенија
Откако ќе дефинирате успешно решение, следниот логичен чекор е примена на решението во клиентско насочени бизнис стратегии. Користење несоодветна технолошка инфраструктура, применување несоодветни софтверско-инженерски решенија и недостаток на стандардизирани правила при градење на модел, можат да значат крај за вашиот модел (кој „на хартија“ беше супер, ама не знаеме зашто не работи).
Важноста на container platform овозможува пакување Machine Learning таскови во стандардизирани единици за развивање, испраќање и применување. Овој процес бара непрекинат тек низ различни оперативни системи, а притоа, текот треба да е во склад со највисоките стандарди за перформанс. Развивањето на гореспоменатиот процес, упатува кон тоа дека побарувачката ќе се зголемува многу повеќе за Data Engineers отколку за Data Scientists.
Иако ова е изнесено како факт на многу блогови, работата која ја вршат Data Engineers е возможна со дополнително вработување на Data Scientists. Во секој случај, нема да пресуши изворот на работи поврзани со податоци.
Прифаќање на технолошкиот развој
Потребна е организациска култура која ја прифаќа фундаменталната промена од класична статистика до модерни Machine Learning технологии. Оваа трансформација е возможна со воспоставување култура на „постојано учење“, каде тимот се чуствува охрабрен да ја прифати улогата на вечен студент и постојано да се труди да го надогради својот skill-set.
Иако сè ова може да звучи како утопија, но за каков било човечки раст е потребна постојана работа. Постојаната работа и учење не е нешто што се однесува само на технолошките науки (иако најмногу се потенцира во оваа област), туку на секој домен од животот. Она што е најважно во вакви новонастанати ситуации е да се има одличен извршен тим кој подржува data-driven начин на носење одлуки.
Со појавата на Machine Learning решенија, преку кои носиме подобри, побрзи и поинформирани одлуки, настанува тектонска промена во бизнис сферата. Тоа се супер вести бидејќи имплементацијата на овие решенија не е невозможна, само бара малку посветување.
По читање на овие чекори, знаете како да започнете со имплементација на Machine Learning решенија за вашиот бизнис. Доколку ви треба повеќе помош, тука е тимот на Data Masters да ви помогне.
