Af hverju hefur orðið sprenging í vélrænu námi?

Árið 1949 birti bandaríski stærðfræðingurinn Claude Shannon ritgerð sem bar yfirskriftina „Að forrita tölvu til að tefla skák“. Þetta var tímamótaritgerð, og ef þú hefur mikinn áhuga á reikniritum getur þú fundið hana á netinu, en það þarf ekki að lesa hana til að skilja mikilvægi hennar. Ritgerð Shannon ber vitni um að hugmyndin um að kenna tölvum að læra sjálfar – ekki bara til að framkvæma flókna útreikninga heldur til að læra af því og bæta sig – er ekki ný af nálinni.

Vélrænt nám (e. machine learning) á sér áratuga langa sögu. Árið 1997 sannaði IBM tölva að nafni Deep Blue réttmæti hugmyndar Shannon með því að bera sigurorð af heimsmeistaranum Garry Kasparov í hans eigin leik. En vegna kostnaðar við gagnageymslu og hægs vinnsluhraða varð nokkur bið á því að vélrænt nám vekti áhuga að ráði utan heima vísindaskáldskapar og skáklistar.

Tímarnir hafa breyst. Fyrirtæki af öllum stærðum eiga nú greiðan aðgang að miklu gagnamagni og ekki er þörf á tölvu sem er á stærð við hús til að vinna úr þeim. En hvernig getur þá vélrænt nám nýst fyrirtækinu þínu?

Hverjir nota vélrænt nám?

Í dag er vélrænt nám notað í fjölbreyttum tilgangi. Hér eru nokkur dæmi:

Verslun: Færð þú stundum á tilfinninguna að tölvan þín þekki þig betur en þú þekkir sjálfan þig? Þessar furðulega réttu kauptillögur sem skjóta upp kollinum frá Amazon eru afrakstur vélræns náms um smekk og kauphegðun þína. Í hvert sinn sem þú vafrar eða kaupir eitthvað leggur tölvan á minnið hvað þú ert að skoða, hvert þú ferð næst, hvað þú gerir o.s.frv. og öðlast þannig sífellt nákvæmari skilning á hegðun þinni. Manneskja gæti fylgt þér eftir um stund og komist að svipuðum niðurstöðum, en reiknirit Amazon gera það á örfáum sekúndum fyrir milljónir færslna á hverjum degi og lærdómskúrfan vex með veldishraða.

Samgöngur: Framtíð samgangna er óráðin, en óhætt er að segja að þær aðferðir sem við notum í dag til að komast á milli staða séu afar óskilvirkar miðað við það sem framtíðin ber í skauti sér. Vélrænt nám gagnast við að hafa stjórn á umferð, framkvæma útreikninga á örskotsstundu og nýta vitneskju sem fæst með greiningu nýjustu gagna til að tryggja að allt gangi snurðulaust fyrir sig. Flutningafyrirtæki nota vélrænt nám til að reikna ákjósanlegustu leiðirnar til að flytja vörur viðskiptavina. Og sjálfaksturstækni, sem nýtir vélrænt nám til að gera ökutæki kleift að skipuleggja eigin hreyfingar með tilliti til staðsetningar og umhverfis þess, er nú notuð í flugiðnaði, flutningaiðnaði og sjálfkeyrandi bílum á borð við Google Waymo.

Heilsa: Vélrænt nám er nú nýtt á hinum ýmsu sviðum heilbrigðisþjónustu, til dæmis til að stýra flæði sjúklinga á sjúkrahúsum, til að meta ástand sjúklinga og við sjúkdómsgreiningar. Læknar sjúkdómsgreina sjúklinga út frá einkennum og sjúkrasögu, og með því að fylgjast með viðbrögðum þeirra við ákveðnum prófum. En þeir þurfa eftir sem áður að treysta á eigin þekkingu, sem getur aldrei verið tæmandi. Tölva sem er þjálfuð með sömu upplýsingum getur farið yfir mun fleiri mögulegar orsakir og komið með tillögur að sjúkdómsgreiningu sem lækninum hefði kannski aldrei sjálfum komið til hugar.

Fjármál: Bankar nota vélrænt nám til að greina mynstur í hegðun viðskiptavina sem nýtast til að komast snemma á snoðir um sviksamlegar færslur. Þessi mynstur verða fágaðri í hvert sinn sem grunsamleg færsla uppgötvast og vélin lærir af niðurstöðunni. Á þennan hátt getur vélin séð hvenær frávik passar við tiltekna hegðun viðskiptavina og þannig fækkað röngum jákvæðum niðurstöðum. Í fjárfestingarbankastarfsemi er vélrænt nám notað til að reikna áhættu og koma auga á tækifæri.

Afþreying: Á svipaðan hátt og Amazon veitir þér tillögur að vörum sem þú gætir viljað kaupa, hafa Netflix, Spotify og önnur afþreyingarfyrirtæki notað vélrænt nám um nokkurra ára skeið til að átta sig á smekk viðskiptavina og veita tillögur í samræmi við það. Tækin sem við notum til að fá aðgang að þessum kerfum, á borð við Amazon Echo, eru einnig dæmi um vélrænt nám. Í hvert sinn sem þú spyrð spurningar og fylgir henni eftir með ákvörðun lærir vélin eitthvað nýtt um áhugasvið og hegðun þína og verður betri í að koma til móts við þarfir þínar.

Hvernig vélrænt nám getur nýst þér?

Það getur verið erfitt að reyna að átta sig á möguleikum vélræns náms og hvernig það getur gagnast fyrirtæki þínu. Líkt og í ritgerð Shannon má finna mikið af upplýsingum á netinu sem skrifaðar eru af forritunarsnillingum sem virðast hafa meiri áhuga á að ræða flókin reiknirit en að útskýra á einfaldan hátt hvað þú þarft að gera að láta vélrænt nám virka fyrir þig.

Bestu ráðleggingarnar koma kannski úr óvæntri átt. Danny Lange, sem fór fyrir teymi vélræns náms hjá Amazon og er nú forstöðumaður vélræns náms hjá Uber, hvetur fyrirtæki af öllum stærðum eindregið til að byrja að nýta sér kosti vélræns náms. Hann leggur til fimm reglur:

1. Byrjaðu á einhverju einföldu, eins og greiningu viðskiptavina. Öll fyrirtæki búa yfir viðskiptavinaupplýsingum sem nota má til að smíða líkan sem spáir fyrir um hegðun viðskiptavina.
2. Byrjaðu á „stýrðu námi“. Það felst í því að forritarar þínir nota söguleg gögn til að þjálfa tölvuna til að gefa út spár, og láta hana síðan fá niðurstöðurnar svo hún læri af þeim. Aðrir valkostir eru „óstýrt nám“, „hálfstýrt nám“ og „eflingarnám“, en þú þarft ekki að vita nánari deili á því til að hefjast handa.
3. Góð gögn eru betri en stórgögn. Stórgögn geta verið yfirþyrmandi. Gættu jafnvægis og vertu viss um að gögnin sem þú notar séu áreiðanleg.
4. Sparaðu fé með því að nota vélarnámsforrit í skýinu. Að smíða eigin kerfi er flókið og dýrt, og tíma þínum gæti verið betur varið í eitthvað annað.

Um hvað snýst fimmta reglan?

Byrjaðu núna! Það er ástæðulaust að bíða. Þegar þú byrjar muntu átta þig á að vélrænt nám er ekki einhver framtíðarfantasía sem aðeins risar á borð við Amazon, Uber og Netflix geta nýtt sér. Öll fyrirtæki geta notað það sér til framdráttar.

Byrjaðu á einhverju einföldu eins og að spá fyrir um brottfall viðskiptavina. Mörg fyrirtæki missa viðskiptavini reglulega, en líta á það sem óbreytanlega staðreynd og einbeita sér að því að afla meiri viðskipta en þau tapa. En með snjallri greiningu á brottfalli viðskiptavina, sem byggð er á sögulegum gögnum, getur þú spáð fyrir um hvaða viðskiptavinir séu líklegir til að hverfa á braut hverju sinni og grípa til aðgerða til að halda þeim.

Það kostar mun meira að afla nýrra viðskiptavina en að halda þeim, og því gæti þessi einfalda notkun vélræns náms ein og sér stórbætt afkomu þína nánast samstundis. Vélrænt nám stendur þér til boða – hvers vegna að bíða?