Czym jest uczenie maszynowe? Praktyczne wyjaśnienie dla właścicieli firm

Uczenie maszynowe pojawia się dziś w każdym pitch decku i każdej roadmapie produktu, przez co dla większości słuchaczy ten termin przestał oznaczać cokolwiek konkretnego. To problem, jeśli to wy decydujecie, czy przeznaczyć na nie realny budżet. Oto więc wersja w prostych słowach, bez machania rękami.

Właściwa definicja

Uczenie maszynowe to sposób tworzenia oprogramowania, które uczy się wzorców z danych, zamiast wykonywać reguły ręcznie spisane przez człowieka. Tradycyjny program to lista instrukcji: jeśli to, wtedy tamto. Model uczenia maszynowego działa inaczej – pokazujecie mu tysiące przykładów danych wejściowych i poprawnych wyników, a on sam wypracowuje wewnętrzne reguły przejścia od jednego do drugiego.

To cała idea. Wszystko inne – sieci neuronowe, trenowanie, modele, wagi – to szczegóły tego, jak to wyszukiwanie wzorców odbywa się pod maską.

Konkretny przykład

Załóżmy, że chcecie oznaczać oszukańcze transakcje. Stary sposób: inżynier siada i pisze reguły – oznacz wszystko powyżej $500, oznacz wszystko z nowego urządzenia, oznacz wszystko o 3 w nocy. To działa, dopóki wzorce oszustw się nie zmienią – wtedy ktoś musi to zauważyć i przepisać reguły.

Sposób z uczeniem maszynowym: model dostaje lata historycznych transakcji, z których każda jest oznaczona jako „oszustwo” lub „nie oszustwo”. Model znajduje kombinacje sygnałów – kwotę, lokalizację, urządzenie, godzinę, częstotliwość – które faktycznie korelują z oszustwami w waszych własnych danych, a nie w czyichś wyobrażeniach o tym, jak wygląda oszustwo. Gdy wzorce się zmieniają, trenujecie model ponownie na nowszych danych, zamiast ręcznie przepisywać logikę.

W czym naprawdę jest dobre

• Rozpoznawanie wzorców w nieuporządkowanych danych. Dla obrazów, dźwięku, swobodnego tekstu i danych behawioralnych trudno spisać jawne reguły. Uczenie maszynowe dobrze sobie z nimi radzi, bo nie potrzebuje reguł – potrzebuje przykładów.
• Przewidywanie na podstawie historii. Którzy klienci prawdopodobnie odejdą, które leady mają szansę na konwersję, ile towaru będzie potrzebne w przyszłym miesiącu – wszędzie tam, gdzie przeszłość jest rozsądną wskazówką co do przyszłości.
• Personalizacja na dużą skalę. Rekomendowanie produktów, ustalanie kolejności wyników wyszukiwania czy dopasowywanie feedu – problemy, w których „właściwa odpowiedź” jest inna dla każdego użytkownika i nieustannie się zmienia.

W czym nie jest dobre

To część, którą większość prezentacji pomija. Uczenie maszynowe słabo się sprawdza, gdy:

• Nie macie zbyt wielu danych historycznych. Model wytrenowany na kilkuset przykładach zwykle działa gorzej niż dobrze napisany zestaw reguł.
• Reguły są proste i stabilne. Jeśli „oznacz każdą płatność powyżej $10 000” wyłapałoby 95% waszego rzeczywistego problemu, nie potrzebujecie modelu – potrzebujecie instrukcji if.
• Trzeba wyjaśnić każdą decyzję. Niektóre modele potrafią powiedzieć, dlaczego podjęły daną decyzję; wiele nie potrafi tego zrobić w żadnej formie zrozumiałej dla człowieka. Jeśli regulator lub klient potrzebuje prawdziwego uzasadnienia, ma to znaczenie.
• Błędy są kosztowne i trudne do odwrócenia. Model nigdy nie ma racji w 100%. Jeśli błędna predykcja w waszym produkcie oznacza realne konsekwencje finansowe lub związane z bezpieczeństwem, potrzebujecie człowieka w pętli, a nie pełnej automatyzacji.

Jak ocenić, czy naprawdę go potrzebujecie

Uczciwy test: czy bystry pracownik, patrząc na te same dane, byłby w stanie w jedno popołudnie wymyślić przyzwoity zestaw reguł? Jeśli tak, napiszcie te reguły – będzie to szybsze w budowie, łatwiejsze w debugowaniu i łatwiejsze do wyjaśnienia klientowi niż model. Uczenie maszynowe zwraca swój koszt wtedy, gdy wzorce są zbyt złożone lub zmieniają się zbyt szybko, by człowiek mógł nadążyć za nimi ręcznie – i gdy faktycznie macie dane historyczne do trenowania.

W Burncode to zwykle pierwsza rozmowa, jaką prowadzimy, zanim powstanie choć linijka kodu AI: czy problem naprawdę wymaga modelu, czy lepiej rozwiąże go stara, dobra logika, tańsza w budowie i łatwiejsza do zaufania. Gdy model jest potrzebny, wbudowujemy go w rzeczywiste doświadczenie produktu, z zakresem ograniczonym do konkretnej decyzji, którą ma podejmować – zamiast doklejać ogólną funkcję AI tylko dlatego, że tak każe roadmapa.