Машинное обучение позволяет специалистам тратить меньше времени на разработку эффективных алгоритмов, при этом получать точные данные от различных вычислительных устройств. Его история началась еще в 1950-е годы, когда компьютер впервые научился играть в шашки. С ростом вычислительных мощностей начало развиваться и машинное обучение. Кстати, всем известные голосовые боты Siri от Apple и Алиса от Яндекса — тоже его результат.
Читайте также: Голосовой поиск Яндекс и Google
Что такое машинное обучение простыми словами
Если говорить просто, машинное обучение — это процесс, при котором компьютер сам обучается что-то делать, а не следует заданным алгоритмам. Оно избавляет программиста от необходимости «объяснять» машине, как именно нужно решать поставленные задачи. Все, что требуется от специалистов — предоставить «учебники»: набор обучающих данных. А компьютер сам изучит их, найдет закономерности, составит статистику и будет делать точные прогнозы на ее основе. С помощью машинного обучения боты могут распознавать эмоции, вести живой диалог с пользователем, работать в технической поддержке, оценивать потенциал рекламных кампаний и выполнять многие другие вещи.
Давайте рассмотрим машинное обучение на самом простом примере. Вы загружаете в компьютер несколько фотографий с солнцем и без него. И пишете, есть ли солнце на фото, или нет. В дальнейшем, когда вы будете загружать новые фото, компьютер сможет определить, есть ли на нем солнце. При этом чем больше фотографий уже будет обработано, тем точнее будет результат.
Это интересно: Матрица SWOT-анализа
Все виды методов машинного обучения
Условно машинное обучение можно разделить на две большие категории — обучение с учителем и обучение без учителя.
Обучение с учителем — это по сути создание алгоритма, который на основе ранее указанных данных будет решать поставленные задачи. Например, в программу будут внесены примеры (набор данных, слов, цифр, чертежей) и указаны правильные значения, то есть ответы. В дальнейшем при загрузке новых примеров программа будет автоматически рассчитывать значения для каждого из них.
Например: риэлторское агентство решило внедрить сервис автоматического расчета рыночной стоимости жилья. Для этого программисты написали специальную программу, в которую занесли 1 500 примеров жилья с указанием района, площади, типа ремонта и других переменных, а также итогового значения — рыночной цены. Система обработала данные и теперь может считать стоимость, если пользователь укажет необходимые параметры.
Обучение без учителя — ситуация, в которой требуется минимальный набор обучающих данных, а система пытается найти закономерности в имеющейся информации. Например, компьютер кластеризует объекты по определенным параметрам, находит уникальные объекты или выделяет 2-3 схожих характеристики для визуализации.
Например: все то же риэлторское агентство решило расширить возможности анализа. Программисты написали программу и внесли в нее информацию о 1 500 объектах: описали местоположение, число этажей, инфраструктуру района и другие параметры. Но не указали итоговое значение — в нашем случае это стоимость. Система не будет пытаться найти его, вместо этого она поможет определить, какая площадь квартир популярна в разных районах, сколько этажей нужно жителю пригорода, какой тип ремонта предпочитают люди, покупающие жилье в центре.
По сути, обучение с учителем — это решение уравнения на основе предоставленных данных. Человек сможет сделать то же самое, но программы проводят вычисление точнее, быстрее и эффективнее. А машинное обучение без учителя — это «свобода действий» для программ. Они могут решать разные задачи, потому что не ограничены поиском одного решения.
Рекомендуем: Что такое CRM-системы и как помогают в автоматизации бизнеса
Классы задач машинного обучения
- Задача регрессии. Программа на основе введенных данных предсказывает вещественный ответ — то есть цифры. По сути — решает уравнение на основе примера, который ранее показал ей программист. Как в примере про расчет рыночной стоимости жилья, приведенном выше. Данные, то есть переменные, могут быть в виде цифр или букв: это не влияет на эффективность расчетов. Например: программы предсказывают стоимость акций компании через год, стоимость коллекционнной монеты через месяц, рассчитывают цену на автомобиль от собственника.
- Задача классификации. Компьютер на основе введенных данных предсказывает категориальный ответ. Число таких ответов строго ограничено. Грубо говоря, относит указанный пример к определенной категории или дает ответ в формате «Да/Нет». Например: автоматические программы определяют, есть ли в письме спам, болен ли пациент гриппом, определяют то, что находится на видео или распознают рукописный текст.
- Задача кластеризации. Система разбивает полученные объекты на тематические кластеры. Отличие от классификации — в том, что число кластеров не ограничено. Например, система может найти среди всех товаров бензопилы средней и низкой ценовой категории, с дополнительными опциями и без. Или разбить недвижимость по району города, количеству комнат, стоимости, удаленности от центра и другим кластерам.
- Задача уменьшения размерности. В этом случае программа анализирует все признаки объекта — их может быть бесконечное количество — и описывает его 2-3 параметрами. Чаще всего это используется для последующей визуализации. Например, система может самостоятельно построить график или визуализировать детали в пространстве.
- Задача поиска аномалий. Алгоритм оценивает все имеющиеся данные и отличает стандартные ситуации от аномалий. Эта задача немного схожа с задачей классификации, но у систем нет исходных данных, которые помогают точно определить аномалии. Например: автоматическая система определяет мошеннические переводы денег с электронных кошельков.
Статья в тему: KPI — что это и как применять
Примеры использования в маркетинге
Машинное обучение постоянно развивается, вместе с тем расширяются возможности его использования в маркетинге. Например, сегодня его используют:
- в контекстной рекламе для оценки эффективности кампаний без тестового бюджета или поиска самых конверсионных объявлений;
- в оценке юзабилити для автоматизации тестирования и получения измеримых объективных результатов
- в электронной коммерции для автоматической рассылки, настройки динамического контента, создания эффективной корзины в интернет-магазине.
Кстати, многие крупные бренды уже используют машинное обучение. Например, Pinterest применяет его для поиска спама и контента для монетизации. Российский сервис Findface анализирует фото пользователя и ищет схожие фотографии в глобальной сети. Машинное обучение помогает Facebook Messenger создавать чат-ботов, некоторые из которых неотличимы по поведению от обычного пользователя. В Twitter, Яндекс.Дзене и Instagram формируют «умные новостные ленты»: они оценивают контент в режиме реального времени и показывают пользователю записи, которые должны больше всего понравиться, причем на основе личных предпочтений читателя. Google Assistant может вести диалог с пользователем. И это — тоже с помощью машинного обучения.
А как вы считаете, какое будущее в маркетинге есть у машинного обучения? Поделитесь своим мнением в комментариях.
