Словарь ИИ
Что такое машинное обучение
Коротко
Машинное обучение (machine learning, ML) это раздел ИИ, в котором программа находит правила в данных сама, а не получает их готовыми от разработчика.
Основы ИИ · machine learning
Редакция ММООЗЗГГ.ruПроверено: 1 минута чтения
Ребенку
Как ты понял, что кактус колючий? Правил тебе никто не писал, ты просто однажды дотронулся и запомнил. Компьютер тоже можно учить на опыте. Ему показывают много примеров с ответами: вот яблоко, вот груша. Потом он видит новый фрукт и сам угадывает, что это. Чем больше хороших примеров, тем реже он ошибается.
Простыми словами
Обычно разработчик пишет правила: если в письме есть слово «выигрыш», отправить его в спам. Но мошенники меняют слова, и правила быстро устаревают. Здесь поступают иначе: собирают тысячи писем с пометками «спам» и «не спам» и дают алгоритму самому найти отличия. Получается модель, которая оценивает и новые письма. Так же устроены рекомендации фильмов, оценка кредитного риска в банке и прогноз пробок в навигаторе.
Для бизнеса
Этот подход помогает там, где у компании накопилась история: продажи по дням, заявки, звонки, платежи. На ней строят прогноз спроса, оценку вероятности ухода клиента, поиск подозрительных операций, подсказки менеджеру о следующем шаге. Затраты зависят не столько от алгоритма, сколько от данных: их нужно собрать, очистить и разметить, и на это часто уходит большая часть бюджета. Риски: алгоритм учится на прошлом и ошибается, когда рынок меняется, а перекос в истории он повторяет. Перед запуском точность сверяют на свежем периоде, которого система не видела, и следят за ней после. Типовые сценарии разобраны в разделе о предиктивной аналитикепредиктивная аналитика. Предиктивная аналитика это расчет вероятности будущих событий по историческим данным: спроса, поломки, ухода клиента, просрочки платежа..
Для специалиста
Machine learning по определению Т. Митчелла (учебник «Machine Learning», 1997) изучает алгоритмы, которые автоматически совершенствуются с опытом. Основные режимы: обучение с учителем (supervised learning) на размеченных парах «объект и ответ», куда входят классификацияклассификация. Классификация это задача машинного обучения, в которой модель относит объект к одному из заранее известных классов: спам или не спам, жалоба или вопрос, брак или норма. и регрессия; обучение без учителя (unsupervised learning) для кластеризации и снижения размерности; обучение с подкреплением (reinforcement learning), где агент получает награду за действия. Классические методы: линейные модели, деревья решений и их ансамбли (random forestслучайный лес. Случайный лес это алгоритм машинного обучения, который строит много деревьев решений на случайных частях данных и объединяет их ответы голосованием или усреднением., градиентный бустинг), метод опорных векторов (SVM), k ближайших соседей. Глубокое обучение использует многослойные нейросети и выделяет признаки само, тогда как классическим методам обычно нужны признаки, подготовленные вручную (feature engineering). Качество оценивают на отложенной выборке (test set) и кросс-валидацией; главная опасность здесь переобучение (overfitting).
Пример
Сеть аптек загружает продажи за прошлые годы, и модель прогнозирует, сколько каждого препарата понадобится в каждой аптеке на следующей неделе. Закупщики реже списывают просроченный товар.
Связанные термины
Вопросы и ответы
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений