Alina Prysjažnjuk
Ščo take machine learning?
Mašynne navčannja – odyn z metodiv funkcionuvannja štučnogo intelektu, a same – praktyčnoї realizaciї jogo možlyvostej šljahom stvorennja algorytmiv dlja vyjavlennja zakonomirnostej pid čas analizu velykyh danyh, ta їh podaľše vykorystannja dlja samonavčannja.
Ostannje – golovna osoblyvisť i priorytetne zavdannja: ne vyrišyty odnu konkretnu zadaču naprjamu, a navčytysja v procesi zastosuvannja rišeń vykonuvaty inši podibni zavdannja. Dlja ćogo vykorystovujuťsja matematyčnyj ta statystyčnyj analizy, optymizacija ta inši tehniky opracjuvannja danyh.
Pro bezkrajni možlyvosti mašynnogo navčannja zaraz ne govoryť lyše ledačyj, ale jogo vytoky beruť počatok šče z 50-h rokiv XX stolittja, koly z’javyvsja termin «štučnyj intelekt»
Prezydent Franciї — pro štučnyj intelekt, startapy, tehnologiї ta vladu – ideja mašyny, ščo zdatna vyrišuvaty abstraktni zadači bez dopomogy ljudyny. Ideja bula, a reaľnoї potreby її zastosuvannja na praktyci – ni. Znadobyloś biľš niž pivstolittja, aby biznesy (i ne lyše) počaly masovo perehodyty u digital-format. Napryklad, u 2018 roci digital-segment vperše vyperedyv televizijnyj za ob’jemamy finansuvannja na rynku reklamy. Ščojno vynyk popyt, machine learning stav neodminnym instrumentom u buď-jakij pidpryjemnyćkij dijaľnosti: dejaki kompaniї naviť počaly stvorjuvaty vnutrišni viddily specialistiv z data science.
Jaki praktyčni sfery zastosuvannja maje mašynne navčannja?
Zagaľnu metu machine learning možna oharakteryzuvaty jak avtomatyzaciju ta optymizaciju rišeń skladnyh rutynnyh zadač u najriznomanitnišyh sferah, vid meteorologiї do komunikacij (pro kotri pide mova nyžče). Sučasnyj funcional instrumentiv mašynnogo navčannja spravdi vražaje: dodatky vže zdatni rozpiznavaty movu, žesty ta obrazy, provodyty medyčnu ta tehničnu diagnostyky, biržovyj i finansovyj analizy, systematyzuvaty dokumentaciju ta vyjavljaty spam. Totaľna didžytalizacija pryzvodyť do nakopyčennja velyčeznyh obsjagiv informaciї u riznyh galuzjah, ščo, v svoju čergu, rozšyrjuje sferu zastosuvannja machine learning.
Zaraz isnuje bezlič kejsiv uspišnogo vykorystannja algorytmiv dlja pokraščennja pokaznykiv rezuľtatyvnosti ta dosjagnennja majže usih biznes-cilej. Vsi znajuť pro systemu personalizovanyh rekomendacij Netflix i Amazon. Najpopuljarniši u sviti onlajn-kinoteatr i magazyn vydajuť svoїm korystuvačam propozyciї ščodo fiľmiv i tovariv vidpovidno do istoriї їh poperednih zapytiv. Dlja togo, aby zabezpečyty najkraščyj dosvid, servisy vykorystovujuť same algorytmy machine learning.
Jak mašynne navčannja polegšuje robotu v komunikacijah?
Tehnologiї mašynnogo navčannja aktyvno vykorystovujuťsja i v Ukraїni, zokrema u sferi komunikacij. Neščodavno kejs OMD Media Direction medijnogo dyvizionu komunikacijnoї grupy AGAMA Sommunications zdobuv bronzu ščoričnoї premiї WARC Media Awards. V osnovi kejsu – media-miks na bazi tehnologij machine learning dlja banku PUMB. Vony zastosuvaly instrument vlasnoї rozrobky Brand Metrics dlja analizu ta podaľšoї optymizaciї roboty odnogo z kanaliv prodaživ kredytnyh produktiv banku kol-centru: zbiľšennja vhidnogo potoku dzvinkiv i viddači investovanyh koštiv.
Dlja ćogo bula vykorystana informacija klijenta i dani pro mediapidtrymku brendu, z urahuvannjam nyzky sociaľnyh ta makroekonomičnyh zovnišnih faktoriv. Veś proces skladavsja z tŕoh etapiv: vyvčennja problemy, modeljuvannja j analizu danyh ta formuvannja rekomendacij i їh realizaciї.
U perekladi na movu data science jogo možna sformuljuvaty nastupnym čynom:
- Ocinka efektyvnosti reklamy
- Vyznačennja «znosu» reklamnogo povidomlennja ta flajtu – optymaľnogo periodu kampaniї
- Rozuminnja efektyvnogo periodu povidomlennja
- Ocinka efektyvnosti inšyh instrumentiv
- Optymizacija vytrat za dopomogoju cyh instrumentiv
- Nadannja prognozu vykonannja planu
Na peršyh tŕoh etapah stalo zrozumilo, ščo kiľkisť vhidnyh dzvinkiv proporcijna TB-aktyvnosti ta značno zmenšujeťsja pid čas pauz. Ci dani dopomogly vymirjaty optymaľnyj period tryvalosti reklamnoї kampaniї ta na 58% zbiľšyty koeficijent konversiї vidnosno seredńogo rivnja na rynku.
V rezuľtati: optymizacija roboty kol-centru, suttjeva ekonomija bjudžetu ta značno vyščyj riveń intensyvnosti dzvinkiv i pidvyščennja pokaznyka ROMI (povernennja marketyngovyh investycij). Ce, vlasne, i je odnym z prykladiv radykaľnoї zminy tradycijnogo pidhodu do mediaplanuvannja kampaniї za dopomogoju tehnologij mašynnogo navčannja.
Čy označajuť uspišni pryklady realizaciї, ščo v majbutńomu mašyny zaminjať ljudej?
Na ce osoblyvo aktuaľne pytannja nemaje korektnoї vidpovidi lyše tomu, ščo vono nekorektno postavlene. Metoju mašynnogo navčannja je ne zamina ljudej komp’juteramy, a rozšyrennja їh vlasnyh možlyvostej. Štučnyj intelekt vže zdaten vyrišuvaty šyrokyj spektr zadač, kotri ne pid sylu intelektu pryrodnomu, abo prosto zabyrajuť zabagato času ta zusyľ. Zekonomleni resursy ljudyna može vytratyty na vykonannja zavdań, prymirom, kreatyvnogo naprjamku, z kotrymy ne zdaten vporatyś AI. Tobto, mova jde radše ne pro zaminu, a pro organičnyj symbioz.
Ljudy navčyly mašyny adaptuvatyś z vlasnogo dosvidu, i ce svidčyť pro te, ščo vony tak samo gotovi do gry za novymy pravylamy. Tak, kompaniї vkladajuť vse biľši košty v rozroblennja servisiv machine learning, ale vodnočas vony stvorjujuť i novi roboči miscja dlja cilkom novogo klasu profesionaliv.