Почему нас не заменят роботы? Пять мифов о машинном обучении
Машинное обучение (МО) или на английском Machine Learning, одна из наиболее активно развивающихся областей компьютерных наук, сегодня делает то, что звучит довольно необычно: заставляет компьютеры работать без программирования. А поскольку МО тесно связан с искусственным интеллектом (ИИ), то эта область окутана мифами и предубеждениями, которые иногда очень далеки от реальности.
Между тем, понимание того, на что машинное обучение способно, а на что нет, поможет достичь лучших результатов при применении этой технологии для решения реальных бизнес-задач.
Пару слов о том, как работает машинное обучение. По сути, МО заменяет традиционные алгоритмы, построенные по заранее запрограммированной логике, на те, которые МО постепенно выстраивает при многократном выполнении заданий.
Другими словами, у системы есть данные, в которых логику нужно либо найти, либо создать. Это чрезвычайно полезно при разработке систем, поведение которых основано на чем-то неопределенном (например, при распознавании изображений: отличить кошку и собаку на фотографии).
Без МО людям потребовалось бы приложить огромные усилия и потратить время на программирование классическим способом для того, чтобы задать компьютеру четко определенные правила. К тому же, в большинстве случаев это было бы просто невозможно.
Несмотря на простое объяснение и уже распространенное применение машинного обучения в бизнесе, это понятие все еще окутано некоторыми мифами. Попробуем их разрушить.
Миф #1: МО не имеет ничего общего со мной
Машинное обучение незримо присутствует повсюду. Вспомните Розетку или AliExpress. Онлайн-магазины отслеживают ваши клики и покупки, а потом делают тоже самое и с другими пользователями. Все для того, чтобы натаскивать систему рекомендаций, которая позже будет предугадывать, что вы хотите купить еще до того, как сами знали.
Например, сегодня 35% прибыли Amazon обеспечивается благодаря рекомендательной системе, основанной на МО, а для стриминговой платформы Netflix этот показатель составляет 75%.
Если вы не пользуетесь этими сервисы, то вот пример поближе – фильтры спама. Сегодня они работают через анализ электронной почты, где самообучаемые алгоритмы выводят шаблоны спама и отсеивают по этому принципу. Большинство из нас использует почту в повседневной жизни и не задумывается об этом. Тем временем из 280 миллионов полученных и отправленных писем каждый день – больше половины являются спамом.
Чего стоят только рекомендации при поиске в Google, реклама, направленная именно на вас и алгоритмы Facebook, которые знают, какой контент и когда вам показывать в ленте. Существует гораздо больше примеров, как бизнес использует машинное обучение в качестве основной технологии. МО с вами каждый день – это часть вашей жизни.
Миф #2: Машинное обучение решит все мои проблемы
Конечно, машинное обучение имеет конкретные сферы применения, и это далеко не все в вашей жизни. Его основной целью является прогнозирование будущего на основе прошлых и текущих данных. Поэтому любая область применения, которая не обеспечивает или не может использовать такие данные, просто не подходит для методов МО.
Например, если у сервиса хостинга видео (YouTube, Vimeo) есть данные о том, какие ролики вы предпочитаете, и о том, что смотрят другие люди со схожими вкусами (это можно обнаружить путем анализа привычек и моделей поведения), МО может достаточно точно предсказать, понравится ли вам новое видео.
Тоже самое в банковской сфере – если есть данные об услугах, которыми пользуетесь вы и другие клиенты, машинное обучение поможет определить, какой другой продукт банка вам будет интересен. С другой стороны, если вы хотите предсказать, насколько успешным будет запуск нового продукта или услуги, а истории появления на рынке аналогичных продуктов или похожих бизнес-сценариев нет, МО вам в этом помочь не сможет. Здесь лучше попробовать другие методы.
Где еще не понадобится машинное обучение? Это прогнозирование поведения на основе так называемых «жестко определенных» правил. Например, чтобы найти всех покупателей фотокамер, купивших их в магазине год назад, и прорекламировать им по e-mail новую батарею, никакого МО не требуется. Здесь сработает простой алгоритм.
Наконец, МО не стоит использовать, если существуют аспекты, которые влияют на результат и являются важными. Это изменение политической ситуации или перемены на фондовом рынке, которые могут возникнуть в любой момент и внезапно изменить ситуацию до неузнаваемости, что сделает всю модель просто бесполезной.
Миф #3: Использовать машинное обучение для финансовых услуг слишком рискованно
Вопрос доверия в финансовом секторе гораздно важнее, чем, например, в сфере розничной торговли, где на первое место выходят другие аспекты. В этой отрасли специалисты по защите от мошенничества могут больше доверять традиционным системам, которые они успешно использовали раньше для поиска потенциальных нарушений.
Удобство диджитализации банков принесло и новые риски. По мере того, как мошенники становятся все более изощренными в своих методах, для обнаружения подозрительной активности требуется все больше данных и инструментов. Соответственно растут и требования к специалистам в сфере безопасности, особенно – в финансовом секторе.
Количество данных растет ежедневно, растет и нагрузка на сотрудников. С помощью машинного обучения же можно собрать огромное количество необходимых данных, чтобы найти угрозу и определить ее характер.
Со временем автоматизированные системы могут стать более искусными в обнаружении «опасных» для финансового института проявлениях, на основании имеющихся данных, что приведет к более эффективному обнаружению угроз мошенничества.
Потому мысль, что МО является слишком большим риском для финансовых услуг, сама по себе является рискованной. Когда дело доходит до обнаружения и борьбы с мошенничеством, цена безопасности не может быть слишком высокой, и эффективное использование МО сможет значительно снизить угрозы.
Миф #4: Машинное обучение заменит людей
Сегодня распространено мнение, что технология искусственного интеллекта и ее многочисленные приложения, включая машинное обучение, в конечном итоге устранят потребность в людях на производстве.
Хотя активное проникновение технологий наверняка автоматизирует многие процессы и изменит саму работу многих людей, основной же целью машинного обучения является не замена, а дополнение персонала.
Кроме того, считается, что МО создаст больше рабочих мест, чем заменит. Разумеется, новые профессии будут требовать новых навыков. Здесь уже нужно будет подключать свои когнитивные способности и творческое мышление, так как с рутинной работой будет справляться машинное обучение.
Похожий пример можно найти в логистике будущего. Активное приближение автономного вождения позволит выпускать на рейсы самоуправляемые грузовики. Это экономия на зарплате водителям и больше количество доставленных грузов – автономному траку не нужно отдыхать ни физически, ни по нормативам.
Однако управлять потоками этих авто должны люди – операторы логистических компаний. Совершенствовать маршруты и использование ресурсов также будут люди, хоть и не без помощи машинного обучения и искусственного интеллекта. Потому вытеснения людей технологиями пока не предвидится.
Миф #5: Только опытные профильные специалисты могут использовать машинное обучение
Чтобы дать машинам саму способность учиться и постоянно совершенствоваться, необходимо быть специалистом в области профессиональных знаний по данным. Но настройка машинного обучения – это скорее ремесло, чем наука, и оно доступно для энтузиастов-любителей с базовыми техническими знаниями.
История про японского фермера, который с помощью Google TensorFlow создал сельскохозяйственное AI-приложение для сортировки огурцов на своей ферме, – хороший пример. Многие организации, такие как Amazon, Baidu, Facebook, Google и Microsoft, создают платформы и приложения для машинного обучения, чтобы познакомить с ним широкий круг пользователей.
Существуют и другие мифы о машинном обучении, но эти пять, вероятно, самые популярные. Так что не стоит думать, что это занятие для избранных – не бойтесь пробовать свои силы и создавать идеи в этой захватывающей и очень многообещающей области.