Co je strojové učení?

Co je strojové učení?

Strojové učení je podskupina umělé inteligence, která se zaměřuje na vývojové systémy, které se učí – nebo zvyšují svou výkonnost – na základě dat, se kterými pracují. Umělá inteligence je široký pojem, který označuje systémy nebo stroje, které napodobují lidskou inteligenci. Strojové učení a umělá inteligence jsou často diskutovány společně a tyto pojmy jsou někdy používány zaměnitelně, ale neznamenají totéž. Důležitým rozdílem je to, že ačkoli veškeré strojové učení je umělou inteligencí, není veškerá umělá inteligence strojovým učením.

V současnosti se strojové učení uplatňuje všude kolem nás. Když komunikujeme s bankou, nakupujeme na internetu nebo využíváme sociální sítě, vstupují do hry algoritmy strojového učení, jejichž účelem je zefektivnit, zjednodušit a zabezpečit naše aktivity. Strojové učení a s ním související technologie se rychle vyvíjejí. Jejich schopnosti začínáme teprve objevovat.

 

“Tradičně vidíme, že lidé nejsou schopni spolupracovat. Přidání strojového učení do systému Oracle Analytics Cloud nakonec pomáhá lidem uspořádat jejich práci a vytvářet, učit a nasazovat tyto datové modely. Jde o nástroj pro spolupráci, jehož hodnota spočívá v urychlení procesu a umožnění různých částí podniku spolupracovat, čímž získáte vyšší kvalitu a lepší modely pro nasazení.”

—Rich Clayton, viceprezident produktové strategie, Oracle Analytics

Dva přístupy k učení

Strojové učení stojí na algoritmech. Obecně se dnes používají dva hlavní druhy algoritmů strojového učení: učení s učitelem a učení bez učitele. Rozdíl mezi nimi spočívá v tom, jak se daný algoritmus učí z dat, aby prováděl předpovědi.

Strojové učení s učitelem

Algoritmy strojového učení s učitelem se používají nejčastěji. U tohoto modelu plní datový vědec funkci průvodce, který učí algoritmus, jaké závěry má učinit. Stejně jako se dítě učí rozpoznat ovoce tím, že si zapamatuje jeho obrázek v knize, při učení s učitelem je algoritmus vyškolen souborem dat, která jsou již označena a mají předdefinovaný výstup.

Mezi příklady strojového učení s učitelem patří algoritmy, jako je lineární a logistická regrese, klasifikace s více třídami a podpůrné vektory.

Strojové učení bez učitele

Strojové učení bez učitele využívá nezávislejší přístup, ve kterém se počítač učí rozpoznat složité procesy a vzorce bez toho, aby mu člověk poskytoval bližší trvalé vedení. Mezi strojové učení bez učitele patří učení založené na neoznačených datech nebo na konkrétním, definovaném výstupu.

Budeme-li pokračovat v analogii s výukou v dětském věku, podobá se strojové učení bez učitele situaci, kdy se dítě učí poznávat ovoce tím, že pozoruje barvy a vzory, namísto aby si pamatovalo názvy s pomocí učitele. Dítě bude hledat podobnosti mezi obrázky a rozdělí je do skupin, přičemž každé skupině přiřadí své vlastní nové označení. Mezi příklady algoritmů strojového učení bez učitele patří shluková analýza s k-průměry, analýza hlavních a nezávislých komponent a pravidla přidružení.

Volba přístupu

Který přístup je nejlepší pro vaše potřeby? Volba mezi strojovým učením s učitelem a bez učitele obvykle závisí na faktorech, které se vztahují ke struktuře a objemu vašich dat, a na zamýšleném použití. Strojové učení rozkvétá v celé řadě průmyslových odvětví, kde podporuje nejrůznější obchodní cíle a použití, jako jsou tyto:

  • Celoživotní hodnota zákazníka
  • Detekce anomálií
  • Dynamické stanovení cen
  • Prediktivní údržba
  • Klasifikace obrazů
  • Moduly doporučení

Obchodní cíl: modelování celoživotní hodnoty zákazníka

Modelování celoživotní hodnoty zákazníka je nezbytné pro společnosti zabývajících se elektronickým obchodováním, ale je použitelná také v mnoha jiných průmyslových odvětvích. U tohoto modelu organizace používají algoritmy strojového učení k identifikaci, pochopení a udržení svých nejcennějších zákazníků. Tyto hodnotové modely vyhodnocují obrovské množství údajů o zákaznících, aby určily zákazníky utrácející nejvíce peněz, nejvěrnější obhájce značky nebo kombinace těchto typů vlastností.

Modely celoživotní hodnoty zákazníka jsou účinné zejména při předvídání budoucích výnosů, které jednotlivý zákazník přinese firmě v daném období. Tyto informace umožňují organizacím soustředit se na marketingové úsilí a povzbuzovat zákazníky s vysokou hodnotou, aby častěji komunikovali s jejich značkou. Modely celoživotní hodnoty zákazníka také pomáhají organizacím zaměřovat své výdaje na pořizování tak, aby přilákaly nové zákazníky podobné stávajícím zákazníkům s vysokou hodnotou.

Obchodní cíl: modelování odchodů zákazníků

Získání nových zákazníků je časově náročnější a nákladnější než udržení stávajících zákazníků ve stavu spokojenosti a věrnosti. Modelování odchodů zákazníků pomáhá organizacím určit, kteří zákazníci pravděpodobně přestanou s firmou obchodovat a proč.

Efektivní model odchodů využívá algoritmy strojového učení, aby poskytl veškeré poznatky od hodnocení rizika odchodu pro jednotlivé zákazníky až motivace k odchodu řazené podle důležitosti. Tyto výstupy jsou klíčové pro vývoj algoritmické strategie udržení zákazníka.

Získání hlubších poznatků o odchodu zákazníků pomáhá firmám optimalizovat slevové nabídky, e-mailové kampaně a další cílené marketingové aktivity, jejichž smyslem je přimět zákazníky s vysokou hodnotou, aby stále nakupovali a vraceli se ke značce.

Obchodní cíl: dynamické stanovení cen produktů

Spotřebitelé mají více možností než dříve a mohou okamžitě porovnávat ceny mnoha způsoby. Dynamické stanovení cen, známé také jako stanovení ceny na základě poptávky, umožňuje firmám držet krok se zrychlující se dynamikou trhu. Organizacím umožňuje flexibilně stanovovat ceny na základě faktorů, mezi které patří stupeň zájmu cílového zákazníka, poptávka v době nákupu a zda zákazník oslovila marketingová kampaň.

Tato úroveň firemní agility vyžaduje solidní strategii strojového učení a velké množství dat o tom, jak se ochota různých zákazníků platit za zboží nebo službu mění v různých situacích. Ačkoli mohou být modely dynamického stanovení cen složité, společnosti, jako jsou letecké společnosti a služby sdílení vozidel, úspěšně zavedly strategie dynamické optimalizace cen, aby maximalizovaly své výnosy.

Obchodní cíl: cílení na zákazníky se segmentací zákazníků

Úspěšný marketing vždy znamenal nabízení správného produktu správné osobě ve správný čas. Není to tak dávno, co se pracovníci marketingu spoléhali na vlastní intuici při segmentaci zákazníků, při které dochází k rozdělení zákazníků do skupin pro zacílené kampaně.

V současnosti strojové učení umožňuje datovým vědcům používat algoritmy shlukování a klasifikace k seskupování zákazníků do osobnostních profilů založených na konkrétních variacích. Tyto osobnostní profily zohledňují rozdíly mezi zákazníky v různých dimenzích, jako jsou demografie, chování při prohlížení a příbuznost. Spojení těchto vlastností s modely nákupního chování umožňuje společnostem se znalostí dat zavádět vysoce individuální marketingové kampaně, které efektivněji zvyšují prodeje než zobecněné kampaně.

S tím jak roste objem dat dostupných podnikům a algoritmy se stávají sofistikovanějšími, budou se schopnosti individuálního zaměření zvyšovat, čímž se podniky přiblíží jednomu ideálnímu zákaznickému segmentu.

Strojové učení podporuje množství případů použití mimo maloobchod, finanční služby a elektronické obchodování. Má také obrovský potenciál pro vědu, zdravotnictví, stavební a energetické aplikace. Klasifikace obrazů například používá algoritmy strojového učení k přiřazení označení z pevné skupiny kategorií k libovolnému vstupnímu obrazu. Umožňuje organizacím modelovat trojrozměrné stavební plány založené na 2D návrzích, usnadňovat označování fotografií na sociálních sítích, informovat o lékařských diagnózách a další.

Metody hlubokého učení, jako jsou neuronové sítě, se často používají ke klasifikaci obrazů, protože mohou nejúčinněji identifikovat příslušné rysy obrazu za přítomnosti potenciálních komplikací. Mohou například vzít v úvahu odchylky v úhlu pohledu, osvětlení, měřítka nebo množství nepořádku na obraze a kompenzovat tyto problémy tak, aby poskytovaly nejdůležitější a vysoce kvalitní poznatky.

Obchodní cíl: zajištění vyšší spokojenosti zákazníků pomocí modulů doporučení

Moduly doporučení jsou nezbytné pro zákazníky hledající související a vyspělejší produkty a za účelem zajištění vyšší spokojenosti zákazníka.

Společnost Netflix oceňuje modul doporučení provádějící návrhy k obsahu na 1 miliardu USD ročně a společnost Amazon tvrdí, že její systém zvyšuje roční prodej o 20 až 35 procent.

Moduly doporučení používají algoritmy strojového učení, aby se prokousaly velkým množstvím dat a předpověděly, jak pravděpodobné je, že si zákazník koupí určitou položku nebo přehraje určitý obsah, a poté uživatelům přizpůsobily návrhy. Výsledkem je individuálnější, relevantnější služba, která zvyšuje zájem zákazníků a snižuje jejich odchody.

Zajištění hmatatelné obchodní hodnoty

Strojové učení mají uplatnění v řadě klíčových obchodních použití. Ale kde se vezme konkurenční výhoda? Mezi nejpřesvědčivější vlastnosti strojového učení patří schopnost automatizovat a urychlit rozhodování a zkrátit dobu k získání prospěchu. Začíná to lepším zviditelněním firmy a zlepšením spolupráce.

„Tradičně vidíme, že lidé nejsou schopni spolupracovat,“ říká Rich Clayton, viceprezident produktové strategie společnosti Oracle Analytics. „Přidání strojového učení do systému Oracle Analytics Cloud nakonec pomáhá lidem uspořádat jejich práci a vytvářet, učit a nasazovat tyto datové modely. Jde o nástroj pro spolupráci, jehož hodnota spočívá v urychlení procesu a umožnění různých částí podniku spolupracovat, čímž získáte vyšší kvalitu a lepší modely pro nasazení.“

Například finanční oddělení jsou obvykle běžně zatěžována opakovaným procesem analýzy rozptylu – porovnáním mezi skutečností a prognózou. Je to použití s nízkou kognitivitou, které může velmi těžit ze strojového učení.

„Zapojením strojového učení může finanční oddělení pracovat rychleji a chytřeji a pokračovat tam, kde stroj přestal,“ říká Clayton.

Další vzrušující schopností strojového učení je jeho schopnost předpovídat. V minulosti se obchodní rozhodnutí často zakládala na historických výsledcích. Dnes strojové učení využívá rozsáhlou analytiku, pomocí které předvídá, co se stane. Organizace mohou přijímat perspektivní, proaktivní rozhodnutí namísto spoléhání na data z minulosti.

Například pomocí prediktivní údržby se mohou výrobci, energetické společnosti a další průmyslové podniky chopit iniciativy a zajistit, aby jejich provoz zůstal spolehlivý a optimalizovaný. Na ropném poli se stovkami vrtů v provozu mohou modely strojového učení zjistit vybavení, u kterého existuje v blízké budoucnosti riziko selhání, a poté s předstihem informovat údržbářské týmy. Tento přístup nejen maximalizuje produktivitu, ale zvyšuje výkonnost, provozní dobu a životnost. Může také minimalizovat rizika pro pracovníky, snížit odpovědnost a zlepšit dodržování předpisů.

Výhody prediktivní údržby se týkají také správy inventáře a řízení. Zabránění neplánovaným prostojům zařízení prováděním prediktivní údržby pomáhá organizacím přesněji předpovídat potřebu náhradních dílů a oprav, což významně snižuje kapitálové a provozní výdaje.

Strojové učení nabízí obrovský potenciál a může pomoci organizacím získat obchodní prospěch z velkého množství v současnosti dostupných dat. Neefektivní pracovní postupy však mohou společnostem bránit ve využití celého potenciálu strojového učení.

Chcete-li uspět na podnikové úrovni, musí být strojové učení součástí ucelené platformy, která pomáhá organizacím zjednodušovat provoz a nasazovat modely v potřebném rozsahu. Správné řešení umožní organizacím centralizovat veškerou aktivity datové vědy na platformě pro spolupráci a urychlit používání a správu nástrojů, systémů a infrastruktury s otevřeným strojovým kódem.

Knihovna učení založeného na umělé inteligenci

Co je umělá inteligence?
Další informace o umělé inteligenci

Umělá inteligence umožňuje technologiím a strojům zpracovávat data za účelem učení, vývoje a plnění úkoly lidí.

Další informace o datové vědě
Další informace o datové vědě

Podniky aktivně kombinují statistiku s počítačovými koncepty, jako je strojové učení a umělá inteligence, aby získaly užitečné informace z velkých dat, a tím podpořili inovace a změnily kvalitu rozhodování.

Novinky a názory
Novinky a názory

Strojové učení, umělá inteligence a datová věda mění způsob, jakým firmy přistupují ke složitým problémům, aby změnili trajektorii svých průmyslových odvětví. Přečtěte si nejnovější články, abyste pochopili přístup vašeho odvětví a vašich kolegů k těmto technologiím.