Де­вять ми­фов о ма­шин­ном обу­че­нии

Direktor informatsionnoj sluzhby - - СОДЕРЖАНИЕ «ДИРЕКТОР ИНФОРМАЦИОННОЙ СЛУЖБЫ» (CIO.R - МЭРИ БРАНСКОМБ

Ко­гда оче­ред­ная тех­но­ло­гия ста­но­вит­ся прит­чей во язы­цех – а имен­но так про­ис­хо­дит в по­след­нее вре­мя с ма­шин­ным обу­че­ни­ем, – о ней обыч­но воз­ни­ка­ет нема­ло оши­боч­ных пред­став­ле­ний. Мы по­ста­ра­ем­ся раз­ве­ять ми­фы и разъ­яс­нить, что ма­шин­ное обу­че­ние дей­стви­тель­но мо­жет, а что – нет.

Ма­шин­ное обу­че­ние де­мон­стри­ру­ет столь вы­со­кую эф­фек­тив­ность, что воз­ни­ка­ет со­блазн уве­ро­вать, буд­то оно спо­соб­но ре­шать лю­бые про­бле­мы. Как и дру­гие ин­стру­мен­ты, ма­шин­ное обу­че­ние по­лез­но для опре­де­лен­ных за­дач, осо­бен­но та­ких, ре­ше­ни­ем ко­то­рых мно­гим ру­ко­во­ди­те­лям дав­но хо­чет­ся за­нять­ся, но оста­нав­ли­ва­ет то, что на­ем нуж­но­го пер­со­на­ла обой­дет­ся непоз­во­ли­тель­но до­ро­го, или та­ких, цель ре­ше­ния ко­то­рых яс­на, а спо­соб – нет.

И все же ма­шин­ное обу­че­ние в той или иной фор­ме бу­дет при­ме­нять­ся прак­ти­че­ски во всех ор­га­ни­за­ци­ях: 42% ру­ко­во­ди­те­лей, опро­шен­ных ком­па­ни­ей Accenture, ука­за­ли, что к 2021 го­ду ис­кус­ствен­ный ин­тел­лект ста­нет ос­но­вой всех внед­ря­е­мых ими нов­шеств. Но ре­зуль­та­ты бу­дут бо­лее ка­че­ствен­ны­ми, ес­ли не под­да­вать­ся шу­ми­хе, не впа­дать в рас­про­стра­нен­ные за­блуж­де­ния и точ­но знать, ка­кие воз­мож­но­сти ма­шин­ное обу­че­ние мо­жет пред­ло­жить, а ка­кие – нет.

МИФ № 1. МА­ШИН­НОЕ ОБУ­ЧЕ­НИЕ – ЭТО ИС­КУС­СТВЕН­НЫЙ ИН­ТЕЛ­ЛЕКТ

Тер­ми­ны «ма­шин­ное обу­че­ние» и «ис­кус­ствен­ный ин­тел­лект» ис­поль­зу­ют как си­но­ни­мы, но пер­вое – это один из ме­то­дов ре­а­ли­за­ции ис­кус­ствен­но­го ин­тел­лек­та, на се­го­дня по­лу­чив­ший наи­бо­лее ши­ро­кое при­ме­не­ние на прак­ти­ке бла­го­да­ря ак­тив­ным ис­сле­до­ва­ни­ям, то­гда как вто­рое – это по­ня­тие, ко­то­рое обоб­ща­ет це­лый ряд об­ла­стей, в том чис­ле ком­пью­тер­ное зре­ние, ро­бо­то­тех­ни­ку, об­ра­бот­ку ис­кус­ствен­но­го язы­ка, а так­же ме­то­ды, не име­ю­щие от­но­ше­ния к ма­шин­но­му обу­че­нию, на­при­мер при­ме­ня­е­мые для ре­ше­ния за­да­чи удо­вле­тво­ре­ния огра­ни­че­ний. По су­ти ис­кус­ствен­ный ин­тел­лект – это лю­бые ме­то­ды, бла­го­да­ря ко­то­рым ма­ши­ны на­чи­на­ют ка­зать­ся «ум­ны­ми», но ни­ка­кой из них в от­дель­но­сти не яв­ля­ет­ся пол­но­цен­ным «ис­кус­ствен­ным ин­тел­лек­том», спо­соб­ным со­пер­ни­чать с че­ло­ве­че­ством или да­же об­ра­тить­ся про­тив него.

Суть ма­шин­но­го обу­че­ния со­сто­ит в за­по­ми­на­нии за­ко­но­мер­но­стей, при­сут­ству­ю­щих в уже до­ступ­ном на­бо­ре дан­ных, и про­гно­зи­ро­ва­нии тех же за­ко­но­мер­но­стей для но­вых ана­ло­гич­ных на­бо­ров дан­ных; ре­зуль­тат мо­жет вы­гля­деть как плод «ин­тел­лек­ту­аль­ной» ра­бо­ты, но в це­лом прин­цип со­сто­ит в при­ме­не­нии ста­ти­сти­че­ских ме­то­дов в огром­ных мас­шта­бах и на очень вы­со­кой ско­ро­сти.

МИФ № 2. ВСЕ ДАН­НЫЕ ПОЛЕЗНЫ

Дан­ные для ма­шин­но­го обу­че­ния необ­хо­ди­мы, но не все они полезны. Что­бы обу­чить си­сте­му, тре­бу­ет­ся ре­пре­зен­та­тив­ная вы­бор­ка с нуж­ны­ми за­ко­но­мер­но­стя­ми, поз­во­ля­ю­щая по­лу­чить имен­но те ре­зуль­та­ты, на ко­то­рые рас­счи­та­на ва­ша си­сте­ма ма­шин­но­го обу­че­ния. При этом в дан­ных не долж­но быть за­ко­но­мер­но­стей, не име­ю­щих от­но­ше­ния к ре­ша­е­мой за­да­че (на­при­мер, лиш­ни­ми бу­дут се­рии фо­то­гра­фий, на ко­то­рых все муж­чи­ны сто­ят, а все жен­щи­ны си­дят, или где все ав­то­мо­би­ли в га­ра­же, а все ве­ло­си­пе­ды – на ули­це), по­сколь­ку мо­дель ма­шин­но­го обу­че­ния, со­зда­ва­е­мая ва­ми, за­пом­нит эти спе­ци­фич­ные за­ко­но­мер­но­сти и бу­дет ис­кать их в дан­ных, с ко­то­ры­ми вы ее ис­поль­зу­е­те. Все дан­ные, ис­поль­зу­е­мые для мо­де­лей обу­че­ния, долж­ны быть ак­ку­рат­но раз­ме­чен­ны­ми, при­чем раз­мет­ка долж­на со­от­вет­ство­вать «во­про­сам», ко­то­рые вы со­би­ра­е­тесь за­да­вать си­сте­ме ма­шин­но­го обу­че­ния, и это по­тре­бу­ет нема­лых тру­до­за­трат.

По­ла­гать, что дан­ные, ко­то­рые у вас уже есть, чи­сты, точ­ны, ре­пре­зен­та­тив­ны и лег­ко под­да­ют­ся раз­мет­ке, – за­блуж­де­ние.

МИФ № 3. ПОЛЕЗНЫ ВСЕ­ГДА БОЛЬ­ШИЕ ОБЪ­Е­МЫ ДАН­НЫХ

До­сти­же­ния по­след­не­го вре­ме­ни в сфе­ре рас­по­зна­ва­ния об­ра­зов, ав­то­ма­ти­зи­ро­ван­но­го по­ни­ма­ния тек­стов, ма­шин­но­го пе­ре­во­да и в дру­гих об­ла­стях ста­ли воз­мож­ны­ми бла­го­да­ря по­яв­ле­нию бо­лее со­вер­шен­ных ин­стру­мен­таль­ных средств, гра­фи­че­ских про­цес­со­ров, спо­соб­ных об­ра­ба­ты­вать мно­го дан­ных в па­рал­лель­ном ре­жи­ме, и об­шир­ных раз­ме­чен­ных на­бо­ров дан­ных, на­при­мер ImageNet и Stanford Question Answering Dataset. Но, бла­го­да­ря ме­то­ду под на­зва­ни­ем «транс­фер­ное обу­че­ние» (transfer learning), вам не все­гда нуж­но иметь огром­ный на­бор дан­ных, что­бы до­стичь хо­ро­ших ре­зуль­та­тов в кон­крет­ной об­ла­сти: вы мо­же­те «на­учить обу­чать­ся» си­сте­му с ис­поль­зо­ва­ни­ем боль­шо­го сре­за дан­ных, по­сле че­го при­ме­нить при­об­ре­тен­ную ею спо­соб­ность к ва­ше­му го­раз­до мень­ше­му на­бо­ру дан­ных. Имен­но так ра­бо­та­ют спе­ци­а­ли­зи­ро­ван­ные API рас­по­зна­ва­ния об­ра­зов Salesforce и Microsoft Azure: для по­лу­че­ния хо­ро­ших ре­зуль­та­тов до­ста­точ­но лишь 30-50 изоб­ра­же­ний объ­ек­тов, ко­то­рые тре­бу­ет­ся клас­си­фи­ци­ро­вать.

Ме­тод транс­фер­но­го обу­че­ния поз­во­ля­ет адап­ти­ро­вать за­ра­нее обу­чен­ную си­сте­му к ва­шей кон­крет­ной за­да­че с ис­поль­зо­ва­ни­ем от­но­си­тель­но неболь­шо­го объ­е­ма дан­ных.

МИФ № 4. СИ­СТЕ­МУ МА­ШИН­НО­ГО ОБУ­ЧЕ­НИЯ МО­ЖЕТ ПО­СТРО­ИТЬ ЛЮ­БОЙ

Су­ще­ству­ет мно­же­ство ин­стру­мен­тов и фрейм­вор­ков ма­шин­но­го обу­че­ния с от­кры­тым ко­дом, а так­же мно­го­чис­лен­ные учеб­ные кур­сы, де­мон­стри­ру­ю­щие, как ими поль­зо­вать­ся. Од­на­ко ма­шин­ное обу­че­ние по-преж­не­му оста­ет­ся ме­то­дом для спе­ци­а­ли­стов – вам нуж­но знать, как го­то­вить и сек­ци­о­ни­ро­вать дан­ные для обу­че­ния и те­сти­ро­ва­ния, как вы­брать оп­ти­маль­ный ал­го­ритм и эв­ри­сти­че­ские ме­то­ды, иметь пред­став­ле­ние о том, как пре­вра­тить мо­дель в на­деж­ную си­сте­му для ра­бо­че­го при­ме­не­ния. Тре­бу­ет­ся так­же обес­пе­чить мо­ни­то­ринг ра­бо­то­спо­соб­но­сти, сле­дить за тем, что­бы ре­зуль­та­ты оста­ва­лись ре­ле­вант­ны­ми со вре­ме­нем, – необ­хо­ди­мо кон­тро­ли­ро­вать ка­че­ство ра­бо­ты мо­де­ли и со­от­вет­ствие ре­ша­е­мой за­да­че, осо­бен­но, на­при­мер, по­сле из­ме­не­ния це­ле­во­го рын­ка.

Для эф­фек­тив­но­го при­ме­не­ния ма­шин­но­го обу­че­ния тре­бу­ет­ся опыт. Ес­ли вы толь­ко на­чи­на­е­те, используйте до­ступ­ные ин­тер­фей­сы про­грам­ми­ро­ва­ния для за­ра­нее обу­чен­ных мо­де­лей и на­ря­ду с этим при­об­ре­тай­те необ­хо­ди­мые зна­ния в об­ла­сти ис­сле­до­ва­ния дан­ных и ма­шин­но­го обу­че­ния. Ли­бо на­ни­май­те со­от­вет­ству­ю­щих спе­ци­а­ли­стов.

МИФ № 5. ВСЕ ЗА­КО­НО­МЕР­НО­СТИ, ПРИСУТСТВУЮЩИЕ В ДАН­НЫХ, ПОЛЕЗНЫ

Стра­да­ю­щие брон­хи­аль­ной аст­мой или ише­ми­че­ской бо­лез­нью серд­ца, а так­же лю­ди в воз­расте 100 лет име­ют го­раз­до бо­лее вы­со­кую вы­жи­ва­е­мость при пнев­мо­нии – та­ко­ва ста­ти­сти­ка. И неслож­ная си­сте­ма ма­шин­но­го обу­че­ния, при­зван­ная ав­то­ма­ти­зи­ро­вать при­ем па­ци­ен­тов в боль­ни­цу, мо­жет от­пра­вить та­ких лю­дей до­мой – имен­но так по­сту­пи­ла си­сте­ма, обу­чен­ная на ста­ти­сти­че­ских дан­ных. Од­на­ко при­чи­на вы­жи­ва­е­мо­сти та­ких па­ци­ен­тов при вос­па­ле­нии лег­ких имен­но в том, что их все­гда гос­пи­та­ли­зи­ру­ют, учи­ты­вая, на­сколь­ко опас­но для них за­бо­ле­ва­ние.

Си­сте­ма «ви­дит» ре­аль­ную за­ко­но­мер­ность в дан­ных, од­на­ко для при­ня­тия ре­ше­ния о гос­пи­та­ли­за­ции она не го­дит­ся (хо­тя и мог­ла бы по­мочь стра­хо­вой ком­па­нии про­гно­зи­ро­вать сто­и­мость ле­че­ния). Что осо­бен­но опас­но, вы не бу­де­те знать о при­сут­ствии та­ких вред­ных за­ко­но­мер­но­стей в ва­ших дан­ных, ес­ли вы не в кур­се, ка­кие имен­но за­ко­но­мер­но­сти мо­гут быть лиш­ни­ми.

В дру­гих слу­ча­ях мо­дель мо­жет за­пом­нить ре­зуль­та­тив­ную за­ко­но­мер­ность, од­на­ко она не бу­дет по­лез­ной как не име­ю­щая чет­ко­го и оче­вид­но­го объ­яс­не­ния. На­при­мер, так бы­ло со скан­даль­но из­вест­ной си­сте­мой рас­по­зна­ва­ния лиц, ко­то­рая точ­но опре­де­ля­ла сек­су­аль­ную ори­ен­та­цию по сел­фи, – ком­пью­тер, по всей ви­ди­мо­сти, ре­а­ги­ро­вал на со­ци­аль­ные сиг­на­лы на­по­до­бие по­зы, а не на ка­кие-то врож­ден­ные при­зна­ки.

Мо­де­ли, дей­ству­ю­щие по прин­ци­пу чер­но­го ящи­ка, мо­гут быть дей­ствен­ны­ми, од­на­ко оста­ет­ся неяс­ным, ка­кую имен­но за­ко­но­мер­ность они вы­учи­ли. Бо­лее про­зрач­ные, по­нят­ные ал­го­рит­мы вро­де обоб­щен­ных ад­ди­тив­ных мо­де­лей поз­во­ля­ют по­нять, что имен­но за­пом­ни­ла си­сте­ма, и это да­ет воз­мож­ность при­нять бо­лее обос­но­ван­ное ре­ше­ние о том, сто­ит ли ее вво­дить в ра­бо­чую экс­плу­а­та­цию.

МИФ № 6. МЕ­ТО­ДЫ АВТОНОМНОГО ОБУ­ЧЕ­НИЯ ГО­ТО­ВЫ К РА­БО­ЧЕ­МУ ПРИ­МЕ­НЕ­НИЮ

Наи­бо­лее ши­ро­кое при­ме­не­ние се­го­дня по­лу­чил ме­тод обу­че­ния с учи­те­лем – ча­ще все­го си­сте­мы обу­ча­ют на на­бо­рах дан­ных, уже раз­ме­чен­ных и под­го­тов­лен­ных людь­ми. На очист­ку на­бо­ров дан­ных тре­бу­ют­ся вре­мя и тру­до­за­тра­ты, по­это­му су­ще­ству­ет вы­со­кий ин­те­рес к ме­то­дам обу­че­ния без учи­те­ля, осо­бен­но с под­креп­ле­ни­ем, ко­гда си­сте­ма учит­ся ме­то­дом проб и оши­бок, вза­и­мо­дей­ствуя со сре­дой и по­лу­чая сиг­на­лы под­креп­ле­ния («на­гра­ду») за вер­ное по­ве­де­ние. Си­сте­ма DeepMind AlphaGo, за­дей­ствуя обу­че­ние с под­креп­ле­ни­ем и с учи­те­лем, су­ме­ла обыг­рать силь­ней­ших ма­сте­ров по иг­ре го, а Libratus, си­сте­ма, со­здан­ная в Уни­вер­си­те­те Кар­не­ги – Мел­ло­на, при­ме­няя обу­че­ние с под­креп­ле­ни­ем и дру­гие ме­то­ды, по­бе­ди­ла луч­ших в ми­ре иг­ро­ков в те­хас­ский хол­дем – раз­но­вид­ность по­ке­ра, ко­то­рая от­ли­ча­ет­ся слож­ной

стра­те­ги­ей ста­вок. В рам­ках ис­сле­до­ва­тель­ских про­ек­тов се­го­дня пред­при­ни­ма­ют­ся по­пыт­ки при­ме­нять обу­че­ние с под­креп­ле­ни­ем в ши­ро­ком кру­ге об­ла­стей, от ро­бо­то­тех­ни­ки до те­сти­ро­ва­ния ПО без­опас­но­сти.

Од­на­ко вне ис­сле­до­ва­тель­ско­го со­об­ще­ства обу­че­ние с под­креп­ле­ни­ем ис­поль­зу­ет­ся огра­ни­чен­но. В Google при­ме­ня­ют DeepMind для эко­но­мии элек­тро­энер­гии в цен­трах об­ра­бот­ки дан­ных – обу­ча­ясь, си­сте­ма по­мо­га­ет по­вы­шать эф­фек­тив­ность охла­жде­ния; в Microsoft уз­ко­спе­ци­а­ли­зи­ро­ван­ный ва­ри­ант обу­че­ния с под­креп­ле­ни­ем по­мо­га­ет пер­со­на­ли­зи­ро­вать за­го­лов­ки но­во­стей для по­се­ти­те­лей пор­та­ла MSN.com. Про­бле­ма в том, что в ре­аль­ном ми­ре да­ле­ко не все­гда су­ще­ству­ют лег­ко об­на­ру­жи­ва­е­мые сиг­на­лы под­креп­ле­ния и мгно­вен­ный от­клик. На­при­мер, слож­но­сти воз­ни­ка­ют при рас­пре­де­ле­нии сиг­на­лов под­креп­ле­ния, ко­гда ис­пы­ту­е­мая си­сте­ма вы­пол­ня­ет несколь­ко дей­ствий, преж­де чем про­изой­дет зна­чи­мое со­бы­тие.

МИФ № 7. СИ­СТЕ­МЫ МА­ШИН­НО­ГО ОБУ­ЧЕ­НИЯ НЕПРЕДВЗЯТЫ

Обу­ча­ясь на вве­ден­ных дан­ных, мо­дель бу­дет вос­про­из­во­дить все си­сте­ма­ти­че­ские ошиб­ки, встре­ча­ю­щи­е­ся в учеб­ной вы­бор­ке. На­при­мер, при по­ис­ке сним­ков ге­не­раль­ных ди­рек­то­ров в ре­зуль­та­тах, ско­рее все­го, бу­дут пре­об­ла­дать изоб­ра­же­ния бе­лых муж­чин, по­сколь­ку та­ко­вых сре­ди глав ком­па­ний боль­ше. Еще, как вы­яс­ни­лось, си­сте­мы ма­шин­но­го обу­че­ния не про­сто пе­ре­да­ют пред­взя­тость, но и уси­ли­ва­ют ее.

На­бор дан­ных COCO, ко­то­рый ши­ро­ко ис­поль­зу­ет­ся для обу­че­ния си­стем рас­по­зна­ва­ния об­ра­зов, со­дер­жит сним­ки как муж­чин, так и жен­щин, од­на­ко пер­вые на фото ча­ще си­дят за ком­пью­те­ром, дер­жат тен­нис­ную ра­кет­ку или сно­уборд, а вто­рые – ча­ще на­хо­дят­ся в об­ста­нов­ке кух­ни. Ес­ли обу­чить си­сте­му с по­мо­щью COCO, у нее воз­ник­нет бо­лее силь­ная ас­со­ци­а­ция меж­ду муж­чи­на­ми и ком­пью­тер­ной тех­ни­кой, чем по­ка­зы­ва­ет ре­аль­ная ста­ти­сти­ка сним­ков.

Си­сте­мы ма­шин­но­го обу­че­ния так­же мо­гут «де­лить­ся» пред­взя­то­стью друг с дру­гом. Ес­ли обу­чить мо­дель с по­мо­щью по­пу­ляр­ных фрейм­вор­ков, ко­то­рые пред­став­ля­ют по­ня­тия в ви­де век­то­ров, по­ка­зы­ва­ю­щих от­но­ше­ния меж­ду сло­ва­ми, то она усво­ит сте­рео­ти­пы и бу­дет, к при­ме­ру, при­рав­ни­вать от­но­ше­ния «муж­чи­на­жен­щи­на», «про­грам­мист-до­мо­хо­зяй­ка», «врач­мед­сест­ра» и «на­чаль­ник-сек­ре­тарь». Ес­ли ис­поль­зо­вать та­кую си­сте­му сов­мест­но с той, ко­то­рая пе­ре­во­дит с язы­ка с ген­дер­но ней­траль­ны­ми ме­сто­име­ни­я­ми, на­при­мер фин­ско­го или ту­рец­ко­го, на язык с ме­сто­име­ни­я­ми «он» и «она», на­при­мер ан­глий­ский, то фра­за «это врач» мо­жет пре­вра­тить­ся по­сле пе­ре­во­да в «он врач», а «это сек­ре­тарь» – в «она сек­ре­тарь».

По­лу­че­ние ре­ко­мен­да­ций, ска­жем по по­куп­кам, – это ино­гда удоб­но, но ко­гда де­ло ка­са­ет­ся лич­ных убеж­де­ний и дру­гих де­ли­кат­ных тем, мо­гут воз­ник­нуть про­бле­мы: ес­ли вы при­со­еди­ни­тесь в Facebook к груп­пе про­тив­ни­ков вак­ци­на­ции, то си­сте­ма мо­жет по­со­ве­то­вать вам груп­пы по кон­спи­ро­ло­ги­че­ским тео­ри­ям или со­об­ще­ство при­вер­жен­цев убеж­де­ния о плос­кой Зем­ле.

Про­бле­му пред­взя­то­сти си­стем ма­шин­но­го обу­че­ния важ­но иметь в ви­ду. Ес­ли вы не мо­же­те устра­нить пред­взя­тость обу­ча­ю­ще­го на­бо­ра дан­ных, то для сгла­жи­ва­ния эф­фек­та вос­поль­зуй­тесь, на­при­мер, ме­то­дом нор­ма­ли­за­ции ген­дер­ных ас­со­ци­а­ций меж­ду па­ра­ми слов. Мож­но так­же до­ба­вить к ре­ко­мен­да­ци­ям нечто вы­па­да­ю­щее из вы­учен­ных си­сте­мой за­ко­но­мер­но­стей, что­бы из­бе­жать «пу­зы­ря филь­тров» – ко­гда поль­зо­ва­те­лю по­сто­ян­но пред­ла­га­ют толь­ко то, с чем он уже зна­ком.

МИФ № 8. МА­ШИН­НОЕ ОБУ­ЧЕ­НИЕ ИС­ПОЛЬ­ЗУ­ЕТ­СЯ ТОЛЬ­КО ДЛЯ БЛА­ГИХ ЦЕ­ЛЕЙ

Поль­зу­ясь ме­то­да­ми ма­шин­но­го обу­че­ния, ан­ти­ви­ру­сы мо­гут об­на­ру­жи­вать со­вер­шен­но но­вые ви­ды атак, с ко­то­ры­ми они еще не стал­ки­ва­лись. Но и зло­умыш­лен­ни­ки при­ме­ня­ют ма­шин­ное обу­че­ние для про­вер­ки воз­мож­но­стей ан­ти­ви­рус­ных средств и ор­га­ни­за­ции мас­штаб­ных це­ле­на­прав­лен­ных атак фи­шин­га, ана­ли­зи­руя боль­шие объ­е­мы об­ще­до­ступ­ных дан­ных или уро­вень успе­ха преды­ду­щих по­пы­ток.

МИФ № 9. МА­ШИН­НОЕ ОБУ­ЧЕ­НИЕ ЗА­МЕ­НИТ ЛЮ­ДЕЙ

Опа­се­ния по по­во­ду то­го, что ис­кус­ствен­ный ин­тел­лект от­бе­рет у лю­дей ра­бо­ту, се­го­дня ста­ли обыч­ным де­лом. Ис­кус­ствен­ный ин­тел­лект дей­стви­тель­но из­ме­нит ры­нок тру­да и прин­ци­пы вы­пол­не­ния мно­гих обя­зан­но­стей, по­сколь­ку си­сте­мы ма­шин­но­го обу­че­ния по­вы­ша­ют эф­фек­тив­ность, об­лег­ча­ют со­блю­де­ние тре­бо­ва­ний и по­мо­га­ют сни­жать за­тра­ты. В дол­го­сроч­ной пер­спек­ти­ве бла­го­да­ря ма­шин­но­му обу­че­нию по­явят­ся но­вые долж­но­сти, а неко­то­рые из ны­неш­них ис­чез­нут. Мно­гие за­да­чи, вы­пол­ня­е­мые се­го­дня с по­мо­щью ма­шин­но­го обу­че­ния, рань­ше по­про­сту бы­ли нере­ша­е­мы­ми по при­чине вы­со­ко­го уров­ня слож­но­сти или огром­но­го мас­шта­ба; вряд ли, к при­ме­ру, мож­но бы­ло на­нять до­ста­точ­но со­труд­ни­ков, что­бы в по­ис­ках изоб­ра­же­ния ва­ше­го то­ва­ра изу­чить каж­дый сни­мок, раз­ме­щен­ный в со­ци­аль­ных се­тях.

Бла­го­да­ря ма­шин­но­му обу­че­нию уже се­го­дня по­яв­ля­ют­ся но­вые биз­нес-воз­мож­но­сти – на­при­мер, улуч­шить кли­ент­ское об­слу­жи­ва­ние с по­мо­щью про­гноз­но­го об­слу­жи­ва­ния или уско­рить при­ня­тие обос­но­ван­ных управ­лен­че­ских ре­ше­ний. Как и преды­ду­щие по­ко­ле­ния средств ав­то­ма­ти­за­ции, ма­шин­ное обу­че­ние вы­сво­бо­дит вре­мя со­труд­ни­ков, и они смо­гут, не от­вле­ка­ясь на ру­тин­ную ра­бо­ту, бо­лее пол­но при­ме­нять свои зна­ния и твор­че­ские спо­соб­но­сти.

Newspapers in Russian

Newspapers from Russia

© PressReader. All rights reserved.