Quotes Keberhasilan

Cara Menerapkan Pembelajaran Mesin ke Masalah Bisnis «Waktu Pembelajaran Mesin – Waktu Analisis Prediktif

Oleh: Daniel Faggella, Emerj

Awalnya diterbitkan di Emerj, 25 April 2020.

Sangat mudah untuk melihat peningkatan besar dalam popularitas untuk investasi ventura, konferensi, dan kueri terkait bisnis untuk “pembelajaran mesin” sejak 2012 – tetapi sebagian besar eksekutif teknologi sering mengalami masalah dalam mengidentifikasi di mana bisnis mereka mungkin benar-benar menerapkan pembelajaran mesin (ML) ke masalah bisnis .

Dengan kata kunci AI baru yang dibuat setiap minggu, tampaknya sulit untuk mengetahui aplikasi apa yang layak, dan mana yang hype, hiperbola, atau tipuan. Di Emerj, riset pasar kami berfokus pada memotong hype AI, dan membantu para pemimpin inovasi dan strategi membuat kasus bisnis yang lebih baik untuk AI. Ini termasuk penelitian AI Opportunity Landscape kami dengan klien perusahaan, dan panduan praktik terbaik Emerj Plus kami untuk konsultan dan vendor.

Dalam artikel ini, kami akan memecah kategori masalah bisnis yang umumnya ditangani oleh ML, dan kami juga akan memberikan saran yang dapat ditindaklanjuti untuk memulai inisiatif ML dengan pendekatan dan perspektif yang tepat (bahkan ini adalah proyek pertama yang Anda lakukan. di perusahaan Anda).

Yang terbaik dari semuanya, kami akan mereferensikan kasus penggunaan bisnis nyata, bersama dengan kutipan dan perspektif tentang “cara menyelesaikan masalah bisnis dengan ML” dari jaringan peneliti dan eksekutif AI kami. Di akhir artikel ini, Anda akan memiliki gagasan bagus, apakah salah satu tantangan bisnis Anda saat ini dapat ditangani dengan baik dengan ML.

Catatan: Di bagian bawah artikel ini, saya telah mencantumkan glosarium dasar istilah ML dalam bahasa yang sederhana.

Jenis Masalah Bisnis Apa yang Dapat Ditangani Machine Learning

1 – Apakah prediksi yang Anda coba buat (atau keputusan yang coba Anda buat) cukup kompleks untuk menjamin ML?

Jika mungkin untuk menyusun sekumpulan aturan atau “skenario jika-maka” untuk menangani masalah Anda sepenuhnya, ML mungkin tidak diperlukan sama sekali. Selain itu, jika tidak ada preseden untuk hasil yang berhasil dengan menerapkan pembelajaran mesin ke masalah spesifik yang Anda kembangkan, ini mungkin bukan upaya terbaik untuk terjun ke dunia ML.

Untuk tujuan ilustrasi, akan sangat membantu untuk membuat daftar sejumlah kasus penggunaan bisnis yang mapan untuk pembelajaran mesin sehingga Anda (pembaca) dapat mengaduk ide aplikasi Anda sendiri:

  • Deteksi wajah: Sangat sulit untuk menulis sekumpulan “aturan” yang memungkinkan mesin mendeteksi wajah (pertimbangkan semua warna kulit, sudut pandang, rambut / rambut wajah, dll.), Tetapi algoritme dapat dilatih untuk mendeteksi wajah, seperti yang digunakan di Facebook. Banyak alat untuk deteksi dan pengenalan wajah bersifat open source. Berikut video pengenalan wajah menggunakan MATLAB:

    • Filter spam email – Beberapa pemfilteran spam dapat dilakukan dengan aturan (Yaitu: dengan secara terbuka memblokir alamat IP yang diketahui secara eksplisit sebagai spam), tetapi sebagian besar pemfilteran bersifat kontekstual berdasarkan konten kotak masuk yang relevan untuk setiap pengguna tertentu. Banyaknya volume email dan banyak pengguna yang menandai “spam” (memberi label pada data) membuat masalah pembelajaran terawasi yang baik.
    • Rekomendasi produk / musik / film – Preferensi setiap orang berbeda, dan preferensi berubah seiring waktu. Perusahaan seperti Amazon, Netflix, dan Spotify menggunakan peringkat dan keterlibatan dari sejumlah besar item (produk, lagu, dll) untuk memprediksi apa yang mungkin ingin dibeli, ditonton, atau didengarkan oleh pengguna tertentu berikutnya.
    • Pengenalan ucapan – Tidak ada kombinasi tunggal suara untuk secara khusus memberi sinyal ucapan manusia, dan pengucapan individu sangat berbeda – pembelajaran mesin dapat mengidentifikasi pola ucapan dan membantu mengonversi ucapan menjadi teks. Nuansa Komunikasi (pembuat Dikte Naga) adalah salah satu perusahaan pengenalan suara yang lebih dikenal saat ini.
    • Penawaran waktu nyata (iklan online) – Facebook dan Google tidak pernah bisa menulis “aturan” khusus untuk menentukan iklan mana yang paling mungkin diklik oleh jenis pengguna tertentu. Pembelajaran mesin membantu mengidentifikasi pola dalam perilaku pengguna dan menentukan iklan individu mana yang paling mungkin relevan dengan pengguna individu mana.
    • Deteksi penipuan pembelian kartu kredit – Seperti filter spam email, hanya sebagian kecil dari deteksi penipuan yang dapat dilakukan dengan menggunakan aturan konkret. Metode penipuan baru terus digunakan, dan sistem harus beradaptasi untuk mendeteksi pola ini secara real time, membujuk keluar sinyal umum yang terkait dengan penipuan.

(Untuk daftar aplikasi industri tertentu, jelajahi artikel kami yang lain tentang ML dalam pemasaran, ML dalam perawatan kesehatan, ML dalam robotika, dan ML dalam keuangan)

2 – Apakah Anda memiliki data baru dan data bersih?

“Data yang bersih lebih baik daripada data besar” adalah frasa umum di antara para profesional ilmu data yang berpengalaman. Jika Anda memiliki banyak data bisnis dari beberapa tahun yang lalu, mungkin sekarang tidak ada relevansinya, terutama di bidang di mana proses bisnis dasar berubah secara drastis dari tahun ke tahun, seperti eCommerce seluler). Jika Anda memiliki banyak sekali data yang tidak terstruktur dan terputus-putus, Anda mungkin memiliki terlalu banyak “pembersihan” yang harus dilakukan sebelum Anda sempat belajar dari informasi yang dikumpulkan.

Kepala UBER Machine Learning Danny Lange pernah merekomendasikan bahwa perusahaan yang baru memulai machine learning sebaiknya mulai dengan menerapkan machine learning yang diawasi ke data historis. Temukan data yang sudah bersih dan relatif baru, dan gunakan data pelatihan berlabel untuk mulai menemukan wawasan.

Perhatikan bahwa di bidang yang berubah dengan cepat, data yang lebih baru diperlukan secara positif. Misalnya, jika Anda menjalankan layanan pengiriman barang kebutuhan hewan peliharaan, dan aplikasi, harga, penawaran produk, dan area layanan Anda telah berubah secara signifikan selama enam bulan terakhir, Anda akan membutuhkan lebih banyak data terbaru untuk dipelajari daripada, katakanlah, perusahaan yang menjual asuransi pemilik rumah di Montana. Jika data tidak terkait dengan tren dan nuansa yang relevan dari bisnis Anda saat ini, kemungkinan besar data tersebut tidak akan mendapatkan nilai prediksi.

3 – Apakah data Anda memiliki label yang ada untuk membantu mesin memahaminya?

Meskipun pembelajaran tanpa pengawasan (lihat glosarium di bawah) memungkinkan berbagai aplikasi dalam memahami data tanpa label, biasanya perusahaan tidak disarankan untuk “terjun ke” ML dengan aplikasi pertama dalam pembelajaran tanpa pengawasan. Hasil yang menggantung rendah untuk kasus penggunaan ML kemungkinan besar muncul dari data historis berlabelnya. Di bawah ini adalah beberapa contoh yang dapat membantu pembaca mendapatkan ide-ide baru:

  • Facebook memiliki jutaan dan jutaan wajah manusia yang ditandai di platformnya, wajah yang sudah dikaitkan dengan seseorang. Hal ini memberi Facebook kemampuan untuk melatih algoritme pada volume data berlabel yang sangat besar, dengan jutaan wajah dalam semua jenis kondisi pencahayaan dan dari berbagai sudut, memungkinkan algoritme tersebut disempurnakan dan disesuaikan untuk mengidentifikasi wajah manusia tertentu.
  • Google melayani miliaran dan miliaran hasil pencarian, dan dapat mengukur kegunaan dan relevansi hasil pencariannya berdasarkan rasio klik-tayang dari daftar teratas, waktu muat halaman, waktu di halaman dari pengunjung tertentu, dan banyak faktor lainnya. . Tidak mungkin menemukan sekumpulan aturan yang tegas dan cepat untuk menampilkan hasil penelusuran yang tepat, jadi algoritme Google mempelajari opsi terbaik apa yang akan didasarkan pada keterlibatan waktu nyata dari miliaran penelusuran harian.
  • Perusahaan kartu kredit seperti CapitalOne dihadapkan dengan sejumlah besar tagihan balik dan pembelian yang dilaporkan curang setiap hari. Dengan menemukan koneksi dan pola di berbagai jenis pembelian, lokasi pembelian, dan jenis pelanggan, CapitalOne dapat menggunakan contoh penipuan “berlabel” untuk memprediksi transaksi lain yang kemungkinan besar merupakan penipuan. Deteksi anomali memainkan peran penting dalam berbagai aplikasi keamanan dan penipuan; di bawah ini adalah video pendek “dasar deteksi anomali” dari saluran YouTube Numenta:

      • Perusahaan eCommerce dengan volume besar email dukungan pelanggan akan memiliki catatan panjang tiket dukungan yang diberi label “permintaan pengembalian dana”, “masalah teknis”, “masalah pengiriman”, dan lain-lain. Perusahaan dapat memilih untuk mengembangkan sistem ML untuk langsung melabeli email masuk, panggilan telepon yang ditranskripsikan, dan permintaan chat dengan “jenis” masalah dukungan yang tepat.

(Lihat komentar dari jaringan Emerj untuk gagasan lebih lanjut tentang menggunakan data berlabel)

4 – Apakah solusi Anda untuk masalah ini mampu memberikan kelonggaran kesalahan?

ML dapat dianggap sebagai semacam “keterampilan”, dalam arti yang sama bahwa seseorang dapat menerapkan kata tersebut kepada manusia. Keterampilan yang hidup, beradaptasi, tumbuh, dan diinformasikan oleh pengalaman. Karena alasan ini, solusi ML sering kali salah dalam persentase waktu tertentu, terutama jika diinformasikan oleh rangsangan baru atau beragam. Jika tugas Anda benar-benar tidak memungkinkan terjadinya kesalahan, ML kemungkinan menjadi alat yang salah untuk pekerjaan itu.

Contoh aplikasi yang tidak memungkinkan terjadinya kesalahan adalah aplikasi yang bertujuan untuk membaca jumlah faktur atau tagihan dan kemudian membayar faktur atau tagihan tersebut. Perbedaan satu huruf atau satu perbedaan angka dapat berarti membayar lebih tagihan Anda sebesar 10x jumlah aslinya (jika desimal ditafsirkan berada di tempat yang salah), atau mengirim uang ke perusahaan yang salah (jika nama perusahaan faktur tidak terdaftar dengan tepat) .

Dalam kasus seperti di atas, beberapa tingkat ML dapat membantu dengan “mengelompokkan” berbagai jenis tagihan atau faktur, tetapi keputusan akhir untuk memasukkan jumlah pembayaran dan mengirim pembayaran kemungkinan akan membutuhkan orang yang bertanggung jawab.

Sebagai peringatan yang menarik, ada startup yang berbasis di San Francisco bernama Roger.ai yang bertujuan untuk menggunakan pemrosesan bahasa alami dan visi mesin untuk nyata dan membayar tagihan, meskipun itu menarik manusia ke dalam lingkaran sebelum mengirim dana.

Kutipan dari Emerj Network:

Untuk mendapatkan perspektif tambahan tentang masalah “memilih masalah bisnis untuk pembelajaran mesin”, kami memutuskan untuk menghubungi jaringan tamu wawancara podcast AI kami sebelumnya untuk panduan tambahan bagi pembaca bisnis kami:

Dr. Ben Waber – PhD, MIT – CEO Humanyze (perusahaan analisis orang yang didukung AI):

Masalah bisnis apa pun saat Anda memiliki data keras, variabilitas, dan banyak contoh “.

Dr. Danko Nikolic – PhD, Universitas Oklahoma – Ilmu Data dan BD&A, Perusahaan Ilmu Komputer:

“1. Ada banyak penghematan yang bisa dilakukan oleh perusahaan.

2. Prediksi membutuhkan banyak variabel, hubungan non linier yang rumit di antara mereka dan dalam beberapa kasus sangat stokastik. Jadi seringkali hanya algoritme yang dapat mempelajari hubungan tersebut. Manusia sendiri akan mengalami kesulitan. “

Dr. Charles Martin – PhD, University of Chicago – CEO, Konsultasi Perhitungan:

Masalah terbaik adalah masalah yang memiliki kumpulan data historis yang sangat besar yang mencakup fitur yang kaya dan semacam umpan balik langsung yang dapat digunakan untuk membangun dan algoritme yang dapat diimplementasikan dan diuji dengan mudah dan akan menurunkan biaya operasional dan / atau segera tingkatkan pendapatan.

Dr. Ronen Meiri – PhD, Universitas Tel Aviv – CTO & Pendiri, DMWay

“Sebagian besar masalah bisnis dapat ditangani dengan tepat menggunakan dua metode pembelajaran mesin:
1: 'Apa yang mungkin terjadi?' Dan
Kedua: 'Apa nilai yang diharapkan di masa depan dari…?'.

Yang pertama adalah masalah jenis klasifikasi yang mencakup pengklasifikasian siapa yang cenderung Churn, Default, Beli, Jual di antara banyak kasus penggunaan lainnya.

Pertanyaan kedua adalah masalah Nilai yang diharapkan yang diselesaikan dengan regresi dan memberikan prediksi yang akurat untuk berbagai kasus penggunaan seperti Pengoptimalan Penetapan Harga dan memprediksi Nilai Umur. “

Peter Voss – CEO, AGI Innovations Inc:

(Sebagai permulaan, Peter mengutip Dr. Robin Hanson, Profesor di Universitas George Mason: “Pakar Ilmu Komputer yang baik mengatakan: Sebagian besar perusahaan yang mengira mereka menginginkan AI / ML tingkat lanjut sebenarnya hanya perlu regresi linier pada data yang dibersihkan.”)

“Menurut saya, sebagian besar bisnis tidak membenarkan investasi di ML / DL (tentu saja, ML berarti banyak hal). Hal-hal mutakhir yang dibicarakan semua orang membutuhkan banyak data dan keahlian, dan bersifat statis – yaitu perlu dilatih ulang ketika data atau kategori berubah. ”

Regresi linier adalah salah satu model pembelajaran mesin tertua, paling sederhana, dan banyak digunakan. Beberapa peneliti berpendapat bahwa banyak masalah prediksi menengah mungkin memerlukan sedikit lebih banyak daripada pendekatan dasar ini, setidaknya pada awalnya. Gambar milik MathWorks.

Komentar Peter tepat, dan tidak boleh dianggap enteng. Saat ML dicari karena populer dan trendi, kemungkinan tidak akan memberikan hasil yang signifikan. Temukan alat yang paling sesuai dengan kebutuhan keuntungan Anda; Ada kemungkinan besar bahwa ML mungkin bukan solusi yang Anda butuhkan untuk memenuhi tujuan bisnis atau pertumbuhan Anda.

Ini membawa kita ke bagian utama kedua dari panduan ini:

Petunjuk untuk Menerapkan Pembelajaran Mesin ke Masalah Bisnis

1 – Mulailah dengan masalah prioritas, bukan masalah mainan

Dalam percakapan off-mic dengan Dr. Charles Martin (konsultan AI di Bay Area), dia menyebutkan bahwa banyak perusahaan membaca tentang ML dengan antusias dan memutuskan untuk “menemukan cara untuk menggunakannya”. Ini mengarah ke tim tanpa motivasi atau semangat nyata (atau sumber daya yang berkomitmen) untuk mendorong hasil yang sebenarnya. Pilih masalah bisnis yang sangat penting, dan tampaknya memiliki kemungkinan besar untuk diselesaikan

Danny Lange dari UBER telah menyebutkan dari tahap awal bahwa ada satu proses pemikiran yang sangat mungkin menghasilkan ide kasus penggunaan machine learning yang bermanfaat: “Jika kita hanya tahu ____.”

Tanyakan pada diri Anda, informasi bisnis penting apa yang ingin Anda ketahui, tetapi saat ini tidak dapat mengaksesnya? Mungkin pemahaman tentang sumber prospek yang paling mungkin menghasilkan nilai umur pelanggan tertinggi, atau perilaku pengguna yang paling menunjukkan penghentian yang diharapkan.

2- Anda dapat memberikannya data, tetapi semua konteksnya harus berasal dari Anda

Memikirkan informasi apa yang harus “memberi makan” algoritme Anda tidak semudah yang diperkirakan. Meskipun algoritme ML mahir dalam mengidentifikasi korelasi, mereka tidak akan memahami fakta seputar data yang mungkin membuatnya relevan atau tidak relevan. Berikut beberapa contoh bagaimana “konteks” dapat menghalangi pengembangan solusi ML yang efektif:

  • Memprediksi nilai umur pelanggan eCommerce: Algoritme dapat diberikan data tentang nilai umur pelanggan historis, tanpa memperhitungkan bahwa banyak pelanggan dengan nilai umur tertinggi dihubungi melalui program penjangkauan telepon yang berjalan selama lebih dari dua tahun tetapi gagal mencapai titik impas , meski menghasilkan penjualan baru. Jika program tindak lanjut telepon seperti itu tidak akan menjadi bagian dari pertumbuhan penjualan eCommerce di masa depan, maka penjualan tersebut tidak boleh dimasukkan ke mesin.
  • Menentukan waktu pemulihan medis: Data mungkin diberikan ke mesin untuk menentukan pengobatan bagi orang dengan luka bakar derajat satu atau dua. Mesin tersebut dapat memprediksi bahwa banyak korban luka bakar tingkat dua hanya membutuhkan waktu sebanyak korban luka bakar tingkat pertama, karena mesin ini tidak memperhitungkan perawatan yang lebih cepat dan lebih intensif yang secara historis diterima oleh korban luka bakar tingkat dua. Konteksnya tidak ada dalam datanya sendiri, jadi mesin hanya mengasumsikan bahwa luka bakar tingkat dua sembuh secepat luka bakar tingkat pertama.
  • Merekomendasikan produk terkait: Mesin rekomendasi untuk pengecer eCommerce terlalu merekomendasikan produk tertentu. Peneliti baru mengetahui kemudian bahwa produk ini dipromosikan secara besar-besaran selama setahun yang lalu, sehingga data historis menunjukkan peningkatan besar dalam penjualan dari pembeli yang ada; namun, pembelian promosi ini lebih banyak dijual berdasarkan “kesepakatan” dan harga rendah, dan tidak begitu berdasarkan maksud sebenarnya dari pelanggan.

3 – Berharap untuk mengutak-atik, mengubah, dan menyesuaikan untuk menemukan ROI

Membangun solusi ML membutuhkan pemikiran dan pengujian yang cermat dalam memilih algoritme, memilih data, membersihkan data, dan menguji di lingkungan langsung. Tidak ada solusi pembelajaran mesin yang “out-of-the-box” untuk kasus penggunaan bisnis yang unik dan kompleks. Bahkan untuk kasus penggunaan yang sangat umum (mesin rekomendasi, memprediksi churn pelanggan), setiap aplikasi akan sangat bervariasi dan memerlukan iterasi dan penyesuaian. Jika sebuah perusahaan masuk ke proyek ML tanpa sumber daya yang berkomitmen untuk waktu yang lama, mungkin tidak akan pernah mencapai hasil yang bermanfaat.

Kutipan dari Emerj Network:

Kami kembali menghubungi jaringan narasumber Emerj dan responden konsensus kami untuk mendapatkan opini dan tips tentang penerapan machine learning dalam bisnis. Di bawah ini adalah kumpulan kutipan:

Dr. Ben Waber – PhD, MIT – CEO Humanyze (perusahaan analisis orang yang didukung AI):

Anda tidak dapat menggunakan ML untuk menyelesaikan masalah bisnis dalam ruang hampa. Pastikan Anda mendapatkan dukungan dari pimpinan unit bisnis untuk membuat perubahan konkret berdasarkan analisis. “

Dr. Danko Nikolic – PhD, Universitas Oklahoma – Ilmu Data dan BD&A, Perusahaan Ilmu Komputer:

Kesalahan paling umum yang dilakukan bisnis saat menggunakan ML adalah mereka berpikir bahwa solusi ML adalah proses satu kali: Mereka mengirim data ke data scientist, dan data scientist mengirim kembali modelnya. Berbeda dengan itu, menemukan solusi ML yang baik adalah proses berulang yang melibatkan penelitian, uji coba dan kesalahan, percobaan, berbicara dengan pakar bisnis, dll.

ML tidak pernah bisa menjadi komoditas. Keberhasilan ML sangat bergantung pada pengetahuan, keterampilan, dan dedikasi orang yang melakukannya. “

Dr. Charles Martin – PhD, University of Chicago – CEO, Konsultasi Perhitungan:

“Hindari menyiapkan infrastruktur besar-besaran sampai Anda memahami apa yang ingin Anda lakukan. Anda dapat dengan mudah menghabiskan 6 bulan hingga satu tahun untuk menyiapkan Hadoop dan Spark dan tidak melihat ROI apa pun.

Anda akan beruntung jika 5% data Anda benar dan berguna. Anda perlu merancang eksperimen yang dapat mengidentifikasi buah yang menggantung rendah dan menemukan data yang Anda butuhkan. Anda dapat membangun algoritme pada node AWS dengan memori tinggi.

Dapatkan algoritme ke dalam lingkungan langsung dan uji sedini mungkin. Jangan membangun coba sistem produksi penuh. Ingat, ML itu tentang matematika, bukan coding! Anda ingin mengujinya kecil. Jalankan cukup banyak contoh untuk mengatasi masalah, tetapi jangan terlalu kecil sehingga statistik menjadi tidak berarti. ”

Ferris Jumah – Sebelumnya ML di LinkedIn – Konsultan ML Area Teluk:

“Dapatkan data didorong secepat mungkin. Machine Learning tidak gratis. Anda perlu membangun intuisi seputar data Anda, bagaimana Anda mengukur bisnis dan mengenal pelanggan Anda, tidak hanya menautkan pengukuran tetapi juga wawasan untuk pengambilan keputusan. Catat semuanya, bangun sistem penyimpanan dan pemrosesan, pastikan semuanya dapat diakses, lakukan analisis mendalam, dan sebanyak mungkin eksperimen pada produk Anda, bangun kecerdasan sebanyak mungkin untuk produk Anda.

Pada titik ini, konsumen mengharapkan personalisasi dan fitur “pintar”. Kembangkan, pelajari, dan pastikan Anda memiliki mekanisme umpan balik. Terakhir, rekrut dan investasikan pada orang data yang tertarik dengan masalah dan bisnis Anda. “

Konsensusnya (dalam jumlah terbatas kutipan di atas, dan dari lusinan percakapan lain dengan data scientist yang berpikiran bisnis) adalah bahwa pembelajaran mesin bukan sekadar “alat” seperti, katakanlah, perangkat lunak otomatisasi pemasaran. Siapapun dengan manajer yang baik dan gelar sarjana dari community college dapat mengambil Constant Contact atau bahkan (dengan sedikit mengutak-atik dan menghubungi saluran dukungan) Marketo atau Hubspot dan mendorong beberapa nilai perusahaan.

Tidak ada jalan pintas sederhana untuk proses berulang-ulang dan multi-segi dalam menerapkan pembelajaran mesin. kredit gambar dari Microsoft's CortanaIntelligence.

ML belum muncul dalam kotak yang rapi, dan nilai dihasilkan oleh pemikiran keras, desain eksperimental, dan – dalam beberapa kasus – matematika yang sulit. Sedikit waktu luang di Google dan YouTube, dan Anda dapat memahami cara menyiapkan DropBox untuk bisnis Anda. Memprediksi tingkat churn di seluruh segmen pelanggan Anda dengan pembelajaran mesin? Bukan game yang sama.

Bersiap untuk memperoleh nilai bisnis dari ML berarti memiliki bakat terlatih, bimbingan ahli, dan (sering kali) periode “pembersihan data” yang luar biasa – dan tidak ada yang dijamin akan menang, seperti yang dikatakan Dr. Martin dengan tepat di atas. Jika Google, Amazon, dan Facebook dapat meminta karyawan magang mereka untuk menyiapkan sistem ML, apakah mereka benar-benar akan menghabiskan jutaan dan jutaan dolar untuk mengambil bakat AI terbaik dunia dari akademisi untuk bekerja bagi mereka?

Meskipun pembelajaran mesin bukanlah penyiapan yang mudah, itu juga bukan salah satu bisnis yang berpikiran masa depan dapat meninggalkan meja terlalu lama. Efisiensi yang diperoleh oleh perusahaan teknologi “rockstar” melalui pembelajaran mesin sangat besar, dan startup di sini di Bay Area tidak hanya mendapatkan dana karena “pembelajaran mesin” adalah kata kunci – itu juga karena banyak dari mereka memiliki bisnis yang kuat dan kuat kasus.

Pembaca yang tertarik mungkin mendapatkan keuntungan dari konsensus terbaru kami dari 26 peneliti pembelajaran mesin / AI di mana kami bertanya: “Di mana pembelajaran mesin harus diterapkan pertama kali dalam bisnis?” Infografik menampilkan perjalanan pulang banyak poin yang sama yang disorot dalam artikel ini.

Pertanyaan terakhir bagi para eksekutif tetap: Kapan kita bisa (Sebuah) sumber daya yang diperlukan untuk berinvestasi dalam pembelajaran mesin dengan serius, dan (b) kasus penggunaan yang sah yang dimulai dari mencoba menemukan nilai bisnis nyata, bukan dari “mencoba menemukan cara untuk menggunakan pembelajaran mesin”. Itu adalah proses berpikir yang tidak dapat dilakukan untuk Anda, tetapi harapan kami adalah artikel ini telah membantu menginformasikan perspektif Anda dan memberi Anda sumber daya untuk menarik di masa depan.

Glosori Istilah Machine Learning

Kecuali disebutkan lain, definisi bersumber dari Wikipedia.org.

  • Machine Learning (ML) – Machine Learning adalah ilmu yang membuat komputer belajar dan bertindak seperti manusia, dan meningkatkan pembelajarannya dari waktu ke waktu secara otonom, dengan memberi mereka data dan informasi dalam bentuk observasi dan interaksi dunia nyata. (definisi diambil dari panduan “Apa itu Machine Learning?”)
  • Supervised Learning – Tugas machine learning menyimpulkan fungsi dari data pelatihan berlabel.
  • Pembelajaran Tanpa Supervisi – Tugas pembelajaran mesin menyimpulkan suatu fungsi untuk mendeskripsikan struktur tersembunyi dari data tak berlabel.
  • Klasifikasi – Mengidentifikasi kumpulan kategori mana yang merupakan observasi baru, berdasarkan kumpulan data pelatihan
  • Regresi – Teknik statistik untuk memperkirakan hubungan antar variabel (termasuk regresi linier, regresi logistik, dan pendekatan lainnya)
  • Algoritma – Serangkaian operasi langkah demi langkah mandiri yang akan dilakukan. Algoritme melakukan penghitungan, pemrosesan data, dan / atau tugas penalaran otomatis.
  • Pemrosesan Bahasa Alami (NLP) – Bidang ilmu komputer, kecerdasan buatan, dan linguistik komputasi yang berkaitan dengan interaksi antara komputer dan bahasa manusia (alam)

A Terima kasih kepada Responden Machine Learning Kami

Saya ingin menyampaikan terima kasih khusus kepada responden kami untuk artikel yang diperpanjang ini. Di bawah ini Anda akan melihat tautan untuk mendengarkan wawancara lengkap kami dengan peneliti dan pebisnis ini, serta tautan ke organisasi mereka masing-masing:

tentang Penulis

Daniel Faggella adalah Kepala Riset di Emerj. Dipanggil oleh Perserikatan Bangsa-Bangsa, Bank Dunia, INTERPOL, dan perusahaan terkemuka, Daniel adalah pakar yang dicari secara global tentang implikasi strategi kompetitif AI bagi para pemimpin bisnis dan pemerintahan.

Related Articles

Tinggalkan Balasan

Close
Close