KORUSコンサルティンググループの分析ソリューションの方向性の専門家である
AlenaGaybatovaとEkaterinaStepanova。
誰もがお金を稼ぎ、データで節約したいと考えています。1つのプロジェクトにMLメソッドを適用することで、大幅な節約や収益の増加を実現できます。しかし、その効果を実感し、実装を失敗させないためには、困難を考慮し、管理上のミスを回避する必要があります。例を使用して、機械学習アルゴリズムが間違いを犯さないようにする方法を説明します。
機械学習-プロジェクトリソースのわずか5%。ただし、MLロジックの複雑さは実装時間の増加につながる可能性があり、データ収集の不適切な計画は不正確な分析につながる可能性があり、役に立たず、費用がかかる可能性があります。なんでこんなことが起こっているの?
期待の問題
同社はどこかでニューラルネットワークがすべての問題の解決策であると聞いた。同時に、データの質や量には多くの要望があります。そのような条件でモデルを実装することは不可能です。たとえば、小売業や製造業でデータを蓄積するのに約1年かかり、必要な機器が利用できない場合や一部のプロセスがデジタル化されていない場合は、さらに長くなります。
混乱を避けるために、漠然とした収入の機会ではなく、システムを起動するための要件に注意して特定の結果を交渉することをお勧めします。このような幻想は、ビジネスだけでなく、開発者自身も経験します。ビジネスアナリストは、複雑な技術記事で読んだ内容に基づいてモデルがうまく機能することを期待することがあります。残念ながら、そのようなテキストは、実際のデータではなく、モデルデータで開発されたアルゴリズムについて書いています。
したがって、プロジェクトの結果は、有用で、簡単に解釈でき、メトリックとビジネスの専門家によって検証される必要があります。
誤った前提
- ML-. , 2019 90%. 2020 , — c , .
. .
, , , . : . , , . , . 2020 - , , . .
: , .
: - , . , , . , , .
. – . .
.
1. ? , ? ?
value . , . , 100%, , «» . : 50% , «».
2. ML? ? , – ?
, . - . , .
3. ?
– , ML-. , . , -.
4. ?
, ML – . - ML, , . , , . , . , , .
MLは、作業を最適化し、非標準の問題を解決し、大量のデータを分析するための優れたツールです。実装の前後に使用するために、多くの側面を考慮することが重要です。この簡単な概要により、望ましくない状況を防ぎ、MLを使用する手間を最小限に抑えて、テクノロジーの追加のメリットを享受できるようになることを願っています。