Аліна Присяжнюк
Що таке machine learning?
Машинне навчання – один з методів функціонування штучного інтелекту, а саме – практичної реалізації його можливостей шляхом створення алгоритмів для виявлення закономірностей під час аналізу великих даних, та їх подальше використання для самонавчання.
Останнє – головна особливість і пріоритетне завдання: не вирішити одну конкретну задачу напряму, а навчитися в процесі застосування рішень виконувати інші подібні завдання. Для цього використовуються математичний та статистичний аналізи, оптимізація та інші техніки опрацювання даних.
Про безкрайні можливості машинного навчання зараз не говорить лише ледачий, але його витоки беруть початок ще з 50-х років XX століття, коли з’явився термін «штучний інтелект»
Президент Франції — про штучний інтелект, стартапи, технології та владу – ідея машини, що здатна вирішувати абстрактні задачі без допомоги людини. Ідея була, а реальної потреби її застосування на практиці – ні. Знадобилось більш ніж півстоліття, аби бізнеси (і не лише) почали масово переходити у digital-формат. Наприклад, у 2018 році digital-сегмент вперше випередив телевізійний за об’ємами фінансування на ринку реклами. Щойно виник попит, machine learning став неодмінним інструментом у будь-якій підприємницькій діяльності: деякі компанії навіть почали створювати внутрішні відділи спеціалістів з data science.
Які практичні сфери застосування має машинне навчання?
Загальну мету machine learning можна охарактеризувати як автоматизацію та оптимізацію рішень складних рутинних задач у найрізноманітніших сферах, від метеорології до комунікацій (про котрі піде мова нижче). Сучасний фунціонал інструментів машинного навчання справді вражає: додатки вже здатні розпізнавати мову, жести та образи, проводити медичну та технічну діагностики, біржовий і фінансовий аналізи, систематизувати документацію та виявляти спам. Тотальна діджиталізація призводить до накопичення величезних обсягів інформації у різних галузях, що, в свою чергу, розширює сферу застосування machine learning.
Зараз існує безліч кейсів успішного використання алгоритмів для покращення показників результативності та досягнення майже усіх бізнес-цілей. Всі знають про систему персоналізованих рекомендацій Netflix і Amazon. Найпопулярніші у світі онлайн-кінотеатр і магазин видають своїм користувачам пропозиції щодо фільмів і товарів відповідно до історії їх попередніх запитів. Для того, аби забезпечити найкращий досвід, сервіси використовують саме алгоритми machine learning.
Як машинне навчання полегшує роботу в комунікаціях?
Технології машинного навчання активно використовуються і в Україні, зокрема у сфері комунікацій. Нещодавно кейс OMD Media Direction медійного дивізіону комунікаційної групи AGAMA Сommunications здобув бронзу щорічної премії WARC Media Awards. В основі кейсу – медіа-мікс на базі технологій machine learning для банку ПУМБ. Вони застосували інструмент власної розробки Brand Metrics для аналізу та подальшої оптимізації роботи одного з каналів продажів кредитних продуктів банку кол-центру: збільшення вхідного потоку дзвінків і віддачі інвестованих коштів.
Для цього була використана інформація клієнта і дані про медіапідтримку бренду, з урахуванням низки соціальних та макроекономічних зовнішніх факторів. Весь процес складався з трьох етапів: вивчення проблеми, моделювання й аналізу даних та формування рекомендацій і їх реалізації.
У перекладі на мову data science його можна сформулювати наступним чином:
- Оцінка ефективності реклами
- Визначення «зносу» рекламного повідомлення та флайту – оптимального періоду кампанії
- Розуміння ефективного періоду повідомлення
- Оцінка ефективності інших інструментів
- Оптимізація витрат за допомогою цих інструментів
- Надання прогнозу виконання плану
На перших трьох етапах стало зрозуміло, що кількість вхідних дзвінків пропорційна ТБ-активності та значно зменшується під час пауз. Ці дані допомогли виміряти оптимальний період тривалості рекламної кампанії та на 58% збільшити коефіцієнт конверсії відносно середнього рівня на ринку.
В результаті: оптимізація роботи кол-центру, суттєва економія бюджету та значно вищий рівень інтенсивності дзвінків і підвищення показника ROMI (повернення маркетингових інвестицій). Це, власне, і є одним з прикладів радикальної зміни традиційного підходу до медіапланування кампанії за допомогою технологій машинного навчання.
Чи означають успішні приклади реалізації, що в майбутньому машини замінять людей?
На це особливо актуальне питання немає коректної відповіді лише тому, що воно некоректно поставлене. Метою машинного навчання є не заміна людей комп’ютерами, а розширення їх власних можливостей. Штучний інтелект вже здатен вирішувати широкий спектр задач, котрі не під силу інтелекту природному, або просто забирають забагато часу та зусиль. Зекономлені ресурси людина може витратити на виконання завдань, приміром, креативного напрямку, з котрими не здатен впоратись AI. Тобто, мова йде радше не про заміну, а про органічний симбіоз.
Люди навчили машини адаптуватись з власного досвіду, і це свідчить про те, що вони так само готові до гри за новими правилами. Так, компанії вкладають все більші кошти в розроблення сервісів machine learning, але водночас вони створюють і нові робочі місця для цілком нового класу професіоналів.