Где применяется машинное обучение

~4 минуты · 3 вопроса

Машинное обучение уже окружает вас: лента соцсети, голосовой помощник, антиспам — это всё ML.

Машинное обучение давно вышло из лабораторий и работает в сервисах, которыми вы пользуетесь каждый день. Часто оно незаметно: вы просто видите «удобно подобранную» рекомендацию или «само заполнившееся» поле. Разберём, где именно ML приносит пользу.

ML вокруг нас

  • Рекомендации. Лента в соцсети, «вам может понравиться» в магазине, подборки в музыкальных сервисах — модель предсказывает, что вас заинтересует, по истории вашего поведения и поведения похожих людей.
  • Распознавание речи и текста. Голосовые помощники, автоматические субтитры, перевод между языками — модель превращает звук в текст и текст в смысл.
  • Компьютерное зрение. Разблокировка телефона по лицу, поиск по фото, помощь водителю на дороге — модель «видит» объекты на изображении.
  • Антифрод и безопасность. Банк замечает нетипичную операцию по карте и блокирует её; почта отсеивает спам. Модель ловит аномалии, которые трудно описать жёсткими правилами.
  • Медицина. Анализ снимков, помощь в постановке диагноза, прогноз рисков по истории болезни.
  • Прогнозы в бизнесе. Спрос на товар, отток клиентов, оценка кредитного риска, динамическое ценообразование.

Что у этих задач общего

На первый взгляд распознавание лица и прогноз спроса не похожи. Но под капотом у них одна схема: есть много примеров с известным ответом, и нужно научиться давать ответ для новых случаев.

ЗадачаЧто на входеЧто предсказываем
АнтиспамТекст письмаСпам / не спам
РекомендацииИстория просмотровИнтересен ли товар
Прогноз спросаПродажи, сезон, ценаСколько купят
ДиагностикаСнимок, анализыЕсть ли патология

Почему ML «выстрелил» именно сейчас

Идеи машинного обучения известны десятилетиями, но массовым оно стало недавно. Совпали три фактора:

  • Данные. Интернет, смартфоны и датчики дали огромные объёмы примеров, на которых можно учиться.
  • Вычисления. Видеокарты (GPU) позволили обучать большие модели за разумное время.
  • Алгоритмы и инструменты. Появились удобные библиотеки, и порог входа резко снизился — обучить модель теперь можно в несколько строк кода.

Важная оговорка

ML не магия и не «искусственный разум, который всё понимает». Это статистика на больших данных. Модель так же хороша, как данные, на которых она училась: если данные смещены или ошибочны, модель унаследует эти ошибки. Поэтому в реальных проектах больше всего времени уходит не на алгоритмы, а на сбор и подготовку данных — об этом будет отдельный раздел.

Итог

  • ML уже работает в рекомендациях, распознавании речи и изображений, антифроде, медицине и прогнозах.
  • За разными задачами стоит одна схема: учимся на примерах с ответами, чтобы отвечать на новых данных.
  • Бум ML обеспечили три вещи: много данных, мощные вычисления и удобные алгоритмы.
  • Качество модели напрямую зависит от качества данных.

Проверь себя

Три вопроса по уроку. Ответы никуда не идут — это для тебя.

1Что общего у задач антиспама, рекомендаций и прогноза спроса?

2Какие три фактора сделали машинное обучение массовым именно в последние годы?

3Почему качество данных так важно для ML-модели?

Следующий урок
3 · Типы задач: с учителем, без учителя, с подкреплением Открыть урок 3
Урок 1: Чем ML отличается от обычного программирования