Решения на основе машинного обучения
info@i-neti.ru
8 800 777 38 40
Мы в социальных сетях
Image Alt

Почему компании не добиваются успеха в сфере машинного обучения

Я открою вам один секрет: когда люди говорят о машинном обучении, это звучит так, как будто это одна отрасль знаний. На самом деле – их две, и если бизнес не понимает разницу между ними, его ждет много проблем в этой области.

История о двух составляющих машинного обучения

Представьте себе, что вы нанимаете шеф-повара, чтобы построить вам печь, или инженера-электроника, чтобы испечь хлеб. Когда дело касается машинного обучения, это та ошибка, которую я многократно наблюдала у бизнесменов.
Если вы открываете пекарню, самой лучшей идей будет нанять опытного пекаря, который хорошо разбирается в нюансах изготовления вкусного хлеба и кондитерских изделий. Но вам также понадобится духовка. Не смотря на то, что этот инструмент критически важен для самого процесса, я уверена, что вы бы не стали требовать от своего шеф-повара, чтобы он знал, как изготовить такую духовку. Так почему же ваша компания делает нечто подобное, когда речь идет о машинном обучении?

Чем занимается ваш бизнес: вы печете хлеб или делаете духовки?

Это разные виды бизнеса! К сожалению, слишком много проектов по машинному обучению терпят неудачу из-за того, что команда не понимает, что от них хотят: чтобы они построили духовку, создали рецепт или испекли хлеб.

Исследования в области машинного обучения

Никто не рассказывает вам о том, что все эти курсы и учебники по машинному обучению говорят о том, как создавать духовки (а также микроволновки, блендеры, тостеры, чайники… кухонную мойку!) с самого начала, но не учат вас готовить и придумывать новые рецепты.
Если вы строите алгоритм машинного обучения, то вы фокусируетесь на том, чтобы создать инструменты, которыми будут пользоваться другие. (Кухонную утварь, если вас устраивает такая аналогия.) Именно такой бизнес называется исследованиями в сфере машинного обучения и обычно этим занимаются такие организации как учебные заведения или Google.
Когда дело касается машинного обучения, многие организации занимаются не своим делом.
Для того, чтобы заниматься такой работой вам понадобится достаточно большой объем знаний и специальное образование, потому что у этой дисциплины очень длинная история. Некоторые популярные алгоритмы существуют уже несколько веков. Например, метод наименьших квадратов для регрессии был опубликован в 1805 году. Поверьте, за 200 лет человечество прошло длинный путь.
Сегодня в этой сфере существуют очень сложные приспособления… как же вы сможете создать самую лучшую модель микроволновки, если вы не знаете как они устроены? Понятно, что вам понадобится погрузиться во все эти исследования! Чтобы стать исследователем вам понадобятся годы, и есть серьезные причины, почему большинство курсов начинается с базовых вычислительных принципов.

Прикладное машинное обучение

Большинство бизнесов просто хотят начать готовить еду – то есть решить свои бизнес задачи. Им не интересен рынок продажи микроволновок, но, тем не менее, они делают ошибку, пытаясь начала самостоятельно создать кухонное оборудование. Их трудно винить за это – в современном мире популярным является подход (в том числе в образовании), когда фокус делается на исследованиях, а не на практическом применении.
Если вы придумываете новые рецепты, вам не нужно изобретать колесо. Микроволновки уже существуют. Вы можете получить их в любом магазине. И если вы не хотите тратить время на такую рутинную работу, как оборудование своей собственной кухни, такие провайдеры как Google Cloud Platform разрешат вам воспользоваться своими платформами, полностью оснащенными оборудованием, ингредиентами и поваренными книгами.

Если хотите заниматься инновациями на кухне, не изобретайте колесо

Когда речь идет о большинстве приложений, вашей команде не нужно понимать теорию математики, которая стоит за обратным распространением ошибки нейросети, также как шеф-повару не нужно знать, как выглядит электрическая схема микроволновой печи. Но есть много того, что вам необходимо знать, если вы планируете управлять кухней промышленных масштабов, а именно все, начиная от хранения ингредиентов, до проверки чистоты ваших тарелок перед подачей. Что из вышеуказанного вы продаете? От вашего ответа зависит то, какая команда вам необходима.

Почему компании спотыкаются на машинном обучении

К сожалению, я вижу как у множества бизнесов не получается извлечь пользу из машинного обучения потому что они не понимают, что прикладная сторона этой дисциплины очень отличается от другой стороны, связанной с алгоритмами и исследованиями. Вместо этого, руководители пытаются начать работу на своих кухнях с того, что нанимают тех, кто всю свою жизнь только создавал микроволновки, но не приготовил ни одного блюда. Что в этом не так? Если это вдруг сработало, то только потому, что вам повезло и вы случайно наняли инженера, который одновременно является великолепным поваром.
Но обычно, людям везет меньше. Время каждого человека ограничено, и если он тратит его на изучение того, как работает микроволновая печь, у него не так много времени остается на совершенствование своих кулинарных навыков или навыков управления бизнесом. Где – и когда! – исследователь искусственного интеллекта с ученой степенью мог получить навыки, необходимые для прикладного машинного обучения? Если вы всем сердцем стремитесь найти того, кто является экспертом в обеих сферах, не удивительно, что вы жалуетесь на недостаток талантливых специалистов!

Если вы пытаетесь открыть ресторан и нанимаете людей, которые всю свою жизнь делали микроволновые печи или детали для них, но никогда ничего не готовили сами… к чему это приведет?
Кого же стоит нанимать вместо этого? Так же как и на любой промышленной кухне, вам понадобится междисциплинарная команда с лидером, который разбирается в этом окружении. В противном случае проекты потерпят фиаско и уйдут в небытие.

Нанимаем правильную команду для работы

Если вы продаете новейшие модели оборудования, нанимайте исследователей. Если вы создаете рецепты, чтобы продавать продукты в больших объемах, вам нужны люди, которые смогут понять, что стоит готовить / к каким целям идти (люди, принимающие решения и менеджеры по продукту), люди, которые понимают как работать с поставщиками и клиентами (специалисты в определенной области знаний и в сфере общественных наук), люди, которые смогут обрабатывать ингредиенты в больших объемах (специалисты по работе с данным и аналитики), люди, которые могут быстро опробовать различные комбинации ингредиентов и оборудования, чтобы создавать пробные рецепты (специалисты по прикладному машинному обучению), люди, которые могут проверить качество рецептов и выбрать достаточно хорошие, чтобы по ним можно было готовить блюда для подачи клиентам (специалисты по статистике), люди, которые сделают из пробных рецептов миллионы блюд, которые можно будет подавать (разработчики программного обеспечения), люди, которые будут поддерживать работу междисциплинарной команды (руководитель проекта/программы), и люди, которые смогут сделать так, что ваши блюда останутся первоклассными, даже если доставка привезет вам тонну картошки вместо риса, который вы заказывали (инженер по надежности оборудования).
Не обязательно, чтобы каждую роль исполнял отдельный человек, но необходимо, чтобы все роли были распределены. И прежде чем вы начнете бросаться в меня гнилыми помидорами за то, что я представила все в таком сокращенном и карикатурном виде, я хотела бы отметить, что можно еще очень много чего рассказать о процессе найма для целей прикладного использования машинного обучения. Но давайте отложим это до следующей публикации.
Если говорить об аутсорсинге, то в случае, когда ваша команда испробовала все существующие приспособления и все еще не может создать рецепт, который бы отвечал целям вашего бизнеса, имеет смысл подумать о том, чтобы добавить в нее навыки по созданию оборудования (исследователя). Будете ли вы нанимать такого человека в штат или отдадите эту работу на аутсорсинг опытной фирме, занимающейся исследованием алгоритмов, зависит от уровня развития и зрелости ваших процессов.
Еще одной причиной обратиться к исследователям может стать тот факт, что ваш прототип станет настолько успешным, что будет иметь смысл создать специальное оборудование для работы на таком высоком уровне, на котором вам посчастливилось оказаться. (Как приятно будет столкнуться с такими проблемами!)

Интеллектуальное принятие решений

Эксперты должны бы были обратить на это внимание, но почему-то не делают этого. Они предпочитают умалчивать тот факт, что на самом деле существует два вида машинного обучения, и поэтому людей продолжают учить строить алгоритмы, а не использовать их.
Моя команда работает над тем, чтобы устранить эту проблему. Мы создали новую дисциплину, которая будет включать в себя прикладную часть, и мы уже обучили более 15 тысяч сотрудников по этой программе. Мы называем ее интеллектуальное принятие решений, и она охватывает все прикладные аспекты машинного обучения и науки о данных.
Говоря другими словами, если исследовательское машинное обучение занимается созданием микроволновок, а прикладное машинное обучение – их использованием, интеллектуальное принятие решений занимается использованием микроволновок в соответствии с вашими целями и использованием другого оборудования, когда вам не нужна микроволновка.
Удачи и получайте удовольствие от процесса!
Когда дело касается прикладного машинного обучения, самое сложное – это понять, что вы хотите приготовить и как вы собираетесь проверить это перед тем, как подать своим клиентам. На самом деле это не так сложно, просто не забудьте это сделать.
Что касается всего прочего, решать бизнес проблемы с помощью машинного обучения намного проще, чем все думают. Сияющие кухни ждут, чтобы вы пришли и попробовали поработать на них. Приступайте так же, как вы сделали бы это на настоящей кухне. Начинайте действовать! Каждый раз, когда я встречаю кого-то, кто уверен, что ему нужно пройти традиционный курс по алгоритмам машинного обучения и – о, Боже! Получить степень – чтобы начать, я сразу же представляю, как они отказываются пользоваться микроволновкой до тех пор, пока не создадут ее своими руками. Не верьте тем, кто говорит, что вам нужна ученая степень, чтобы получать удивительные результаты с помощью машинного обучения. На самом деле, то, что вам действительно нужно, так это немного обычной креативности. Удачи и наслаждайтесь процессом!