Machine learning - co to jest i dlaczego jest istotne?

Uczenie maszynowe (machine learning) to metoda samouczenia się maszyn w oparciu o analizę danych i odnajdywanie zawartych w nich wzorców. Dzięki algorytmom machine learning komputery mogą samodzielnie analizować dane oraz automatycznie tworzyć i dostosowywać modele w celu samodoskonalenia i nabywania nowej wiedzy, potrzebnej do rozwiązania zadanego problemu. Wszystko odbywa się w sposób zautomatyzowany, bez potrzeby wcześniejszego zaprogramowania przez człowieka. 

- Choć koncepcja uczenia maszynowego jest znana od dziesięcioleci, dopiero w ostatnim czasie zyskała na popularności. Jest to efekt gwałtownego rozwoju technologicznego ostatnich lat, w wyniku którego powstała  potrzeba analizowania coraz większych ilości danych pochodzących z różnorodnych źródeł, a z drugiej strony pojawienia się znacznie bardziej wydajnych technologii obliczeniowych i dużo tańszych platform przechowywania danych. To wszystko zapewnia organizacjom możliwość wykorzystania machine learning do automatycznego generowania modeli, które są w stanie analizować złożone zbiory danych oraz szybciej dostarczać precyzyjne wyniki analiz - tłumaczy Miłosz Trawczyński, Business Consulting Manager w SAS Polska.

Jak wynika z danych IDC, w najbliższych latach uczenie maszynowe będzie odgrywało coraz większą rolę w strategii rozwoju biznesu. Firma prognozuje, że w 2020 r. wydatki przedsiębiorstw związane z implementacją machine learning i sztucznej inteligencji wyniosą aż 47 miliardów USD. Oznacza to ponad pięciokrotny wzrost w stosunku do 2016 r., kiedy to na rozwiązania tej klasy wydano 8 miliardów USD. Potwierdzają to również wyniki badania przeprowadzonego przez lidera rynku analityki biznesowej, firmę SAS, według których 28% respondentów już wykorzystuje tę technologię, a 30% planuje w ciągu najbliższych 3 lat wykorzystać uczenie maszynowe w projektach związanych na przykład z cyberbezpieczeństwem.

Badanie SAS pokazuje, że większość firm (68%) postrzega machine learning jako istotny trend technologiczny. Respondenci docenili wpływ uczenia maszynowego na wzrost poziomu cyberbezpieczeństwa (39% wskazań), podejmowanie bardziej trafnych decyzji w oparciu o dane (37%) czy poprawę jakości obsługi klienta (35%). Nie ulega wątpliwości, że ciągły rozwój systemów analitycznych, na bieżąco przetwarzających ogromne ilości danych, zmienia oblicze biznesu, umożliwiając przedsiębiorstwom odkrywanie nowych okazji sprzedażowych, kreowanie konkurencyjnych strategii i skuteczną ochronę przed zagrożeniami.

Ta sama technologia, która doprowadziła do popularyzacji technik machine learning, sprawiła, że systemy analityczne przygotowują prognozy biznesowe, biorąc pod uwagę wszystkie możliwe scenariusze. Ucząc się na bieżąco, mają pełen ogląd sytuacji, dzięki czemu zestawienia są o wiele bardziej kompleksowe i precyzyjne niż materiały przygotowane przez jakiegokolwiek analityka. Żaden człowiek nie jest bowiem w stanie samodzielnie przeanalizować wszystkich informacji, które mogą mieć znaczenie dla danej decyzji biznesowej. Uczenie maszynowe rozwija systemy analityczne nie tylko w oparciu o dane liczbowe. Szybko rozwijającym się obszarem jest uczenie pogłębione (deep learning), oparte na sieciach neuronowych z wieloma ukrytymi warstwami, których działanie podobne jest do operacji wykonywanych przez ludzki mózg. Techniki uczenia pogłębionego są obecnie najbardziej zaawansowaną metodą rozpoznawania wzorców (pattern recognition) - obiektów w obrazach i słów w dźwiękach. Rozpoznawanie wzorców jest wykorzystywane m.in. w procesie rozpoznawania mowy, analizy pisma odręcznego, analizy zdjęć i nagrań video.

- Większość przedsiębiorstw rozumie dziś, że inwestycja w machine learning jest niezbędna, jeżeli chce się skutecznie konkurować na rynku. Trzeba jednak pamiętać, że algorytmy to nie wszystko. Kluczem do sukcesu jest ich połączenie z właściwymi narzędziami i procesami. Do opracowania dobrych systemów uczenia maszynowego potrzebne są zaawansowane narzędzia do przygotowania danych, ich eksploracji i wizualizacji, interfejsy użytkownika do budowania modeli i implementacji powtarzalnych procesów oraz wydajne silniki analityczne, automatyzujące proces przetwarzania danych w decyzje. Najlepiej, jeśli wszystkie te elementy są dostępne w ramach jednej zintegrowanej platformy analitycznej - podsumowuje Trawczyński.