Днес данните и анализите не само описват, диагностицират, предвиждат или дори препоръчват най-добрите действия, но и задействат тези действия автоматично
(снимка: CC0 Public Domain)
Много организации твърдят че техните бизнес решения се управляват от данни. Но те често използват термина „управляван от данни” да обозначат докладването на ключови показатели за ефективност, базирани на исторически данни – и използване на анализ на тези показатели, за да подкрепят и обосноват бизнес решения, които, надяват се, ще доведат до желаните бизнес резултати. Макар че това е добро начало, вече не е достатъчно.
Gartner
Традиционната роля на данните и анализите беше да подкрепят вземането на решения. Сега те се прилагат там където никога досега не са били прилагани. Днес данните и анализите не само описват, диагностицират, предвиждат или дори препоръчват най-добрите действия, но и задействат тези действия автоматично. Мотивацията зад тази нова област на приложение е целта на много фирми да намалят времето за изпълнение на задачите и обема на човешкия труд.
За да бъде ефективен, бизнесът трябва да трансформира данните, които притежава, в ефективни решения. Това е моментът, в който Анализът идва на помощ и предоставя научния процес за постигане на целта.
„Анализ – научният процес на преобразуване на данните в осъзнато и задълбочено разбиране с цел вземане на по-добри решения”
Основи на бизнес анализите от Джефри Д. Кам и др.
Нека видим как анализите са се развивали с течение на времето.
Етапи на развитие на анализите
Етап 1 – Описателни анализи
В началото наличието изобщо на каквито и да било данни беше постижение. От тези данни правихме основни анализи и описвахме ситуацията. Описателните анализи отговаряха на въпроса: какво се случи?
Етап 2 – Диагностични анализи
След това техниките и инструментите за анализ постигнаха известен напредък и започнаха да обясняват не само какво се случва, но и защо. Например: защо трафикът към уебсайта вчера се е увеличил с 50%? Анализите станаха диагностични. Диагностичните анализи отговарят на въпроса: защо се случи това?
Етап 3 – Прогнозни анализи
Това поколение е предсказателно по своята същност, помагайки ни не само да разберем какво се е случило в миналото, но и какво може да се случи в бъдеще. Прогнозните анализи отговарят на въпроса: какво ще се случи?
Етап 4 – Предписващи анализи
След прогнозирането има следваща стъпка на анализите – предписващи анализи, които ни казват какво да правим. Предписващите анализи отговарят на въпроса: какво да правим?
Етап 5 – Проактивни анализи
Има два начина за действие. Единият е да реагирате на ситуацията, а другият е да действате проактивно чрез създаване или контролиране на ситуация, при което карате нещо да се случи вместо да реагирате на него след като то се е случило. Последното поколение анализи е проактивното, при което машините не се нуждаят от човек, за да действат. Те просто ще действат проактивно и ще свършат работата.
Проактивност в машинното обучение
Има различни начини за прилагане на някаква форма на проактивност в реалния бизнес.
Един от тях е прост емпиричен подход базиран на правила, при който ръчно дефинирате и твърдо задавате правилата за конкретна ситуация (напр. ако цената е по-ниска от $100 – продавайте). Тогава някои софтуерни програми могат да извършват предварително дефинирани действия. Това е точно като проста автоматизация за бизнес решения.
Друг начин е един по-сложен подход за математическа оптимизация. С нея, например, можете да минимизирате разходите за складова наличност. С този подход трябва да:
- Моделирате бизнес проблема като математическа оптимизационна задача, с потенциално игнориране на някои от нейните части;
- Решите оптимизационната задача с помощта на оптимизационен математически модел;
- Донастроите математическото решение.
Моделирането изисква експертни познания в проблемната област и опитен анализатор, например доктор по изследване на бизнес операциите. Въпреки това, моделирането често е неосъществимо или скъпо. В този случай на помощ идва машинното обучение.
Терминът „машинно обучение” е употребен за първи път през 1959 г., когато пионерът на компютърните игри Артър Самюел го описва като „метод за предоставяне на компютрите способността да могат да се учат без да бъдат изрично програмирани”. Това все още е справедливо описание и днес.
Не беше лесна задача да се развие компютърната способност за учене до ниво, което е сравнимо с хората. Отне десетилетия за приближаване до тази цел. Сега компютърът може да играе най-предизвикателните игри (шах, покер, Go) по-добре от човек, може да кара кола и да изпълнява други изключително трудни задачи без да е изрично програмиран. Сега компютърът може да се учи от собствения си опит и обратна връзка и е готов за автономна проактивност дори без отраслово-специфични човешки познания.
Този пробив в машинното обучение отваря нови възможности за бизнеса. Нека разгледаме видовете машинно обучение, които се прилагат в бизнес решенията днес, и за какви задачи се използват.
Видове машинно обучение
Има три основни типа машинно обучение: с надзор, без надзор и подсилено.
Машинно обучение с надзор
Характерна особеност на обучението с надзор е, че желаният резултат трябва да е вече известен. Това е подобно на ситуация, когато ученик се учи от преподавател, но в нашия случай системата се учи чрез пример. Знанията се предоставят под формата на набор от данни за обучение. Най-често този подход се използва за два вида задачи: класификация и регресия.
С класификацията можем да решим много видове задачи по анализ. Например, за класифициране на клиенти или на стоки. Обучението с надзор може да се използва дори за препоръки за действие, но само ако имаме набор от данни, в който за всяка точка от данни има едно най-добро препоръчано действие. Често е много трудно или невъзможно да се направи такъв набор от данни, защото не знаем кое действие е наистина най-доброто в дадена ситуация. Въпреки това създаването на набори от данни за други видове задачи, например за описателен анализ, е много по-лесно. Описателният анализ може да се прилага за различни цели, такива като изчисляване на кредитни рискове, разбиране на тенденции и оценка на показатели във времето.
Когато се използва подход на обучението с надзор е сравнително лесно да се предвиди някаква непрекъсната стойност, имайки налични съществуващите исторически данни. По този начин машинното обучение вече осигурява предписващ анализ. Това се нарича регресия. Може ефективно да се комбинира с математическа оптимизация. Например, можем да използваме техники за машинно обучение, за да изградим модел, който предвижда бъдещо търсене (бъдещи нива на продажби) за верига магазини на дребно. След това можем да използваме оптимизация, за да изчислим оптималното управление на складовата наличност за тези магазини като се уверим, че разходите за складовата наличност и рисковете от нейното изчерпване са минимални.
Машинно обучение без надзор
Машинното обучение без надзор е по-сложен процес, който досега е бил използван в по-малък брой приложения. То се случва когато една система може свободно да определя тенденционните повторяемости в данните, скритата структура без конкретна цел. Бихте могли да срещнете тази техника при осигуряване на работата на системи за препоръка. Там тя се използва за да помогне на клиентите да открият продукти, които харесват, и да помогне на бизнеса да отключи неочевидни (и носещи печалба) групи. Силата ѝ е, че може да групира и структурира сложни данни и да ги преобразува в по-удобен формат за бъдещ човешки анализ. Например, тя може да дефинира клиентски групи (клъстери) без да ги именува или класифицира. В някои случаи може да се използва за предписващ анализ и да предложи най-вероятните действия въз основа на историята.
Машинно обучение с подсилване
Обучението с подсилване предполага, че има някаква числена награда, която трябва да бъде максимизирана – количествена обратна връзка. Останалото се прави чрез търсене с проби и грешки. Учебният агент става все по-добър и по-добър на всяка стъпка. С някои модификации може да се използва за намиране на оптимална стратегия дори когато има няколко конкурентни агента (например, може да намери най-добрата стратегия за онлайн търг за дисплейна реклама). Обучението с подсилване е работещ подход за създаване на агент за вземане на решения в реално време. Работи добре за решения на „черна кутия”, когато областта на задачата е сложна и не е добре проучена и може да се използва за директно изчисляване на решения.
Въпреки това има някои условия, които трябва да бъдат изпълнени, за да се приложи обучение с подсилване. То е оправдано, когато за наградата (или наказанието) в числова форма една итерация на обучение не отнема твърде много време, а времето между действие и награда не е много дълго. Също така необходимо условие за внедряване на обучението с подсилване е възможността да се направи компютърна симулация или евтина реална симулация, където агентът може да се учи и където грешката не би била много скъпа.
Да обобщим
Виждаме колко бързо се развива машинното обучение и как проблемите, които съществуваха вчера, днес се елиминират. Продуктите за машинно обучение, които преди бяха пасивни научни инструменти, сега се превръщат в цялостни, автономни, проактивни интструменти за взимане на решения. Приложенията на тези нови проактивни продукти са многобройни и само ще се умножават през следващите години . Такива приложения включват самоуправляващи се автомобили, оптимизиране на онлайн съдържанието, наддаване в онлайн търговете за дисплейна реклама и др. Сигурни сме че задачите, които изискват автономни решения, ще бъдат напълно автоматизирани от техниките за машинно обучение в най-близкото бъдеще.
Статията е подготвено от специалисти на технологичната компания Sigma Software