×
Как реальный бизнес использует машинное обучение

Автор: Лукас Бивальд (Lukas Biewald)

 

Нет никаких сомнений в том, что машинное обучение является одной из самых обсуждаемых тем в технологической сфере: оно же находится практически на верху Hype Cycle от Gartner. Обратная сторона у такой популярности тоже есть: все слышали о машинном обучении, но как это работает на практике, мало кто понимает.

 

Но я как человек, управляющий компанией, которая предлагает огромное количество реальных проектов машинного обучения, вижу, что оно уже производит заметные изменения в системе функционирования компаний.

 

Это не просто футуристические проекты, такие как Siri или Amazon Echo. И над этим работают не только компании, которые, как мы все уверены, имеют огромные бюджеты на сферу R&D, например, Google или Microsoft. На самом деле я готов держать пари, что каждая компания из списка Fortune 500 уже работает в разы эффективнее и зарабатывает больше денег благодаря машинному обучению.

 

Где именно это происходит? Ниже приведены несколько примеров неочевидных приложений, которые делают нашу жизнь лучше.

 

Повышение ценности пользовательского контента

 

Подавляющая часть контента, созданного пользователями (user-generated content, UGC), обладает ужасным качеством. Он в разы хуже, чем вы думаете. Такой контент может быть полон опечаток, пошлости и откровенно неправильной информации. Путем отнесения UGC к плохой или хорошей категории модель машинного обучения способна отфильтровать плохой контент и преподнести конечному пользователю лучшее, при этом необходимость в проверке материала человеком исчезает.

 

Что-то подобное уже произошло со спам-письмами. Вы можете еще помнить то время, когда вам на почту могли приходить откровенно плохие спам-письма. Машинное обучение помогло идентифицировать подобные письма и, в большинстве случаев, успешно справляется с ними. В наши дни увидеть с утра на своем электронном почтовом ящике откровенный спам практически невозможно. Что-то подобное произойдет с UGC в ближайшее время.

 

Pinterest использует машинное обучение, чтобы показывать вам самый интересный контент. Yelp использует машинное обучения для сортировки фотографий, которые загружают пользователи. Next Door используют машинное обучение для сортировки содержимого своих досок объявлений. Disqus использует машинное обучение, чтобы отсеивать комментарии, являющиеся спамом.

 

Быстрый поиск продукта

 

Неудивительно, что компания Google, являющаяся крупнейшей поисковой компанией, всегда была на передовой изучения машинного обучения. На самом деле Google недавно включила в свою поисковую систему искусственный интеллект. Но способность индексировать огромные массивы данных и поднимать в поисковой выдаче те из них, что содержат ключевые слова, есть у нас с 1970-х годов. Что делает Google особенной, так это ее способность отмечать результаты, которые обладают большей релевантностью; а делает она это благодаря машинному обучению.

 

Но подобный умный поиск нужен не только Google. Home Deport хочет показывать, какая именно ванна из ее огромного каталога подойдет именно к вашему уникальному дизайну. Apple необходимо показывать вам наиболее подходящие приложения в AppStore. Intuit необходимо показать пользователю необходимую справочную информацию, когда он заполняет налоговую форму.

 

Успешные стартапы электронной коммерции от Lust до Trunk Archive используют машинное обучение, чтобы показывать своим пользователям высококачественный контент. Другие стартапы вроде Rich Relevance и Edgecase используют стратегии машинного обучения, чтобы предоставить своим пользователям максимальные выгоды от этой технологии, когда они просматривают продукты.

 

Взаимодействие с клиентами

 

Вы, возможно, заметили, что форма «Связаться с нами» стала куда компактнее в последние годы. Это еще один момент, где машинное обучение помогло оптимизировать бизнес-процесс. Вместо того чтобы заставлять пользователя самостоятельно выбирать тему вопроса и заполнять бесконечное количество полей, алгоритм машинного обучения может посмотреть на саму суть запроса и отправить его в нужное место.

 

Это может показаться мелочью, но отслеживание заявок пользователей обходится компаниям дорого. Направление запроса в отдел продаж сразу же команде продаж или жалобы непосредственно в отдел работы с пользователями экономит компаниям массу денег и времени, и при этом использование машинного обучения для этого гарантирует, что запрос уйдет по нужному адресу и с соответствующим приоритетом. 

 

Алгоритмы машинного обучения

 

Понимание пользовательского поведения

 

Машинное обучение также отлично выполняет анализ общего настроения масс. И, когда общественное мнение может оказаться весьма расплывчатым, машинное обучение способно предложить решение.

 

К примеру, скажем, киностудия выпускает трейлер своего летнего блокбастера. Они могут отслеживать активность в социальных сетях, чтобы посмотреть, что резонирует с их целевой аудиторией, и затем настроить рекламные объявления на новые группы пользователей.

 

Другой пример: игровая студия делает очередную часть популярной игровой линейки, но не включает туда игровой режим, который ожидали многие фанаты. Когда геймеры начали обсуждать это в социальных сетях, компания оказалась готова к подобной беседе. В конечном итоге благодаря отслеженному недовольству компания сдвинула релиз проекта, но включила режим в игру. Таким образом, недоброжелатели превратились в промоутеров и фанатов проекта.

 

Что дальше?

 

Работы с алгоритмами машинного обучения являются сложными. Обычные алгоритмы предсказуемы, мы можем изучить их и понять, как все устроено. Алгоритмы машинного обучения в этом смысле больше похожи на людей. И мы как пользователи в данном случае хотим получить ответы на вопросы, подобные «Почему The New York Times показывает мне это странное объявление, а Amazon рекомендует эту смешную книгу?»

 

На самом деле The New York Times и Amazon понимают, почему они показали такое объявление, не больше, чем мы сами понимаем, с чего это вдруг заказали тайскую еду на обед или, скажем, углубились в эту статью на «Википедии».

 

Если бы вы захотели работать в сфере машинного обучения лет десять назад, то найти место за пределами Google или Yahoo было бы почти невозможно. Теперь машинное обучение везде. Информация распространена больше, чем когда-либо, и к ней легко получить доступ. Новые продукты, такие как Microsoft Azure ML и IBM Watson, снижают стоимость установки и внедрения алгоритмов машинного обучения.

 

В то же самое время венчурные фонды открывают финансирование – от фонда WorkDay’s Machine Learning к Data Collective и Bloomberg Beta – все они сфокусированы на финансировании компаний в самых разных отраслях, которые собираются использовать алгоритмы машинного обучения для получения выгод.

 

Большинство бесед о машинном обучении вращаются вокруг виртуальных помощников и автономных автомобилей (и оба направления очень крутые!), но на самом-то деле практически каждый веб-сайт, с которым вы взаимодействуете, использует алгоритмы машинного обучения для выполнения какой-либо задачи. Крупные компании вкладывают средства в машинное обучение не потому, что это их прихоть или им хочется оказаться первыми в изучении. Они инвестируют, потому что обнаружили положительный эффект от таких инвестиций. И поэтому инновации будут продолжаться.

 

Перевод: Вячеслав Гладков

 

Оригинал фото: techcrunch, datafloq