Я бы хотела поделиться с вами секретом: когда люди говорят о «машинном обучении», зачастую, они имеют ввиду всегда одно — как правильно применить ИИ и извлечь из этого выгоду. На самом деле, в этом то и кроется проблема. Ведь любая компания или корпорации должна думать сразу о двух вещах — это сначала разработка ИИ и только затем практическое его применение. Обычно же, разработкой и применением ИИ занимаются одни и те же люди и если компании, не смогут понять в чем здесь разница — их ждут серьезные проблемы.
Сказ о двух машинных обучениях
Представьте себе ситуацию: вы нанимаете шеф-повара, чтобы он спроектировал вам печь, а инженера-электрика, чтобы он испек вам хлеб. Практически та же самая ситуация происходит с компаниями снова и снова, когда дело доходит до машинного обучения.
Если вы собираетесь открыть пекарню — вам не помешает нанять опытного пекаря, который хорошо разбирается в тонкостях и нюансах приготовления вкусного хлеба и булочек. Также вам стоит поставить хорошую печь. Хоть это и крайне важная вещь на кухне, я уверена, вы не будете критиковать своего пекаря за то, что он не знает, как ее построить. Так почему же вы пытаетесь навешать все на одно из направлений машинного обучения, вместо двух?
Вы либо занимаетесь производством хлеба, либо проектированием печей.
Теоретическое исследование машинного обучения
Чего вам точно не говорят, так это того, что все эти курсы и учебники о том, как сооружать печи с нуля (микроволновые печи, блендеры, тостеры, чайники… и даже кухонные раковины), не показывают, как правильно готовить и внедрять новые рецепты.
При построении алгоритмов машинного обучения, основное внимание уделяется инструментам общего назначения.
Этот бизнес называется «теоретические исследования в области машинного обучения» и, как правило, он осуществляется в таких местах, как Стэндфордская учебная лаборатория и Google.
Когда дело доходит до машинного обучения — многие организации терпят полный провал!
Для того, чтобы участвовать в этих исследованиях, у вас в голове должно быть очень много знаний, потому что некоторые применяемые там алгоритмы существуют уже несколько веков. Например, метод наименьших квадратов был опубликован в 1805 году. А уж последующие 200 лет были наполнены разнообразными открытиями в математике и смежных с нею областях.
Как вы собираетесь соорудить микроволновую печь, если не знаете, из чего она состоит и как эти части взаимодействуют? Правильный ответ: нужно будет получить знания в соответствующей области. Потребуются годы для полного усвоения материала, но уже сейчас можно сказать, что любой курс по машинному обучению всегда начинается с изучения основ математики.
Практическое применение машинного обучения
Большинство компаний просто хотят печь булочки. Они не заинтересованы в продаже микроволновых печей, но тем не менее часто пытаются собрать эти приборы с нуля. Их не в чем винить — нынешние тренды и система образования в основном фокусируются на исследованиях, а не на практическом применении.
“Микроволновая печь” уже существует и у вас есть возможность получить ее бесплатно. Если сборка собственной «кухни» машинного обучения звучит как рутина и скукота, вы всегда можете воспользоваться такими сервисами, как Google Cloud Platform, в комплекте с которым идут приборы, ингредиенты и книги рецептов.
Если вы новичок — не пытайтесь изобрести велосипед.
Как шеф-повару достаточно знать инструкцию по подключению микроволновой печи, так и вашей команде для большинства приложений не потребуются такие знания, как метод обратного распространения ошибок в нейронных сетях и многое другое. Этими знаниями должны располагать только вы, если хотите запустить «кухню» промышленного масштаба. Правильный подбор ингредиентов, оформление блюда, проба перед подачей — все это ложится на ваши плечи.
Провал с машинным обучением
К сожалению, многие компании не получают выгоды от работы с машинным обучением, потому что не понимают, что практическая сторона — это совсем другое, нежели сторона теоритическая (имеется ввиду их разработка). Вместо решения конкретных задач, начальство нанимает людей, всю жизнь сооружавших микроволновые печи, но никогда в них не готовивших. Что же может пойти не так? Вам повезет только в том случае, если инженер окажется прекрасным шеф-поваром.
Но, скорее всего, вам не повезет. В нашей жизни не так много времени, чтобы стать профессионалом и тут, и там. Вы либо изучаете как правильно строить печи, либо полностью отдаете себя искусству выпечки или, быть может, бизнесу. Где и когда бы ваш доктор наук в сфере исследований машинного обучения получил навыки, необходимые для практического машинного обучения? Если вы постоянно требуете человека — гения во всем, неудивительно, что вы жалуетесь на нехватку талантов.
Тогда кого вам следует нанять? Как и на промышленной кухне, вам нужна междисциплинарная команда с руководством, которое понимает всю соль. В противном случае, проекты терпят фиаско и отправляются в путь в один конец.
Нанимайте правильных людей в команду
Если вы продаете ультрасовременную технику — нанимайте исследователей. Если вы внедряете новые рецепты, чтобы продавать еду в промышленных масштабах — вам нужны люди, которые будут выяснять, что стоит готовить, а что нет (управляющий и менеджер по продажам), люди которые понимают поставщиков и покупателей (социологи), люди которые смогут обрабатывать информацию в огромном количестве (дата инженеры и аналитики), люди которые смогут грамотно комбинировать те или иные ингридиенты, чтобы в итоге у вас получились потенциальные рецепты блюд (разработчики), люди, которые смогут проверить достаточно ли хорош рецепт, чтобы подавать его на стол (специалист по статистике). Помимо всего прочего, вам также нужны люди, которые будут превращать потенциальный рецепты в миллионы ежедневно заказываемых блюд (программные инженеры), люди которые будут вести разношерстную команду специалистов к их конечной цели (менеджеры по проекту/программе), и люди которые будут гарантировать вам, что ваши блюда останутся на высшем уровне, даже если грузовик доставит тонну картофеля вместо риса, который вы изначально заказали (quality-инженеры).
Если ваша команда перепробовала все существующие инструменты и не может составить готовый рецепт, отвечающий вашим бизнес-задачам, имеет смысл подумать о добавлении новых звеньев в цепочку (я говорю о ресерчерах). Независимо от того, нанимаете ли вы этого человека в постоянный штат или передаете ему работу, результат зависит от масштаба и логичности вашей задачи.
Принятие решений
Эксперты должны говорить на эту тему, но они этого не делают. Они не осознают того факта, что по всему миру людей обучают строить все эти алгоритмы, но не использовать их на практике.
На данный момент, моя команда работает над решением этой проблемы. Мы разработали новую обучающую дисциплину, охватывающую практическую часть применения ИИ. Уже более 15000 участников опробовали ее. Дисциплина называется «технология принятия решений», в ее основе лежат практические аспекты применения машинного обучения и наука о данных.
Другими словами, теоретическое машинное обучение создает микроволны, практическое машинное обучение использует эти микроволны, а технология принятия решений использует те же самые микроволны для безопасного достижения ваших целей, а также прибегает к помощи чего-либо другого, когда вам не нужна микроволновая печь.
Желаю вам удачи и веселого времяпровождения!
Когда дело касается практического машинного обучения, самая сложная часть — это понять, что вы на самом деле хотите сделать и как вы собираетесь тестировать свой товар на пригодность, прежде чем демонстрировать его клиентам. На самом деле, это не так уж и сложно — просто нужно помнить о том, что ее в любом случае нужно сделать.
Подводя итог, хочется сказать, что решать различные бизнес-задачи с помощью машинного обучения не так уж и сложно. Вспомните пример с кухней. Погрузитесь в происходящее, будто бы вы и в самом деле готовите на кухне. Не поддавайтесь на ложь и провокацию о том, что вам нужна докторская степень для работы с машинным обучением. Творческий подход — вот, что вам на самом деле вам пригодится! Еще раз удачи и до скорых встреч!
Перевод статьи Cassie Kozyrkov: Why businesses fail at machine learning
