ML для менеджера: что это вообще такое и с чем его едят 🤖

Нейросети и ML активно хайпят уже несколько лет, а путаница все еще есть, давайте разбираться.

ML не панацея и рынок трубит об этом в каждом меме.
Если можно написать if-else, так и пиши. Мы так легко посчитаем ипотеку или смоделируем физику, а вот отличить спам от обычного письма или котика на картинке от собачки, уже не выйдет. Тут на сцену выходит ML (Machine Learning).

Что такое ML на пальцах.
ML-модель это функция с кучей параметров, только мы не программируем их руками, а подбираем автоматически на основе данных.

Берём кучу примеров (квартиры с известной ценой, письма с меткой спам/не спам) и говорим модели: подбери такие коэффициенты, чтобы твои ответы как можно меньше отличались от правильных. Это называется обучение.
Не секрет, что все завязано на данных. Если их мало или они плохие, модель не будет работать.

Три подхода к обучению ML-моделей
1. Обучение с учителем, когда у нас есть правильные ответы (разметка). Самое популярное семейство задач.

Делится на:
- Регрессию, задача предсказать число. Сколько стоит квартира? (Отсюда в Авито или на авто.ру надпись «рыночная цена»)
· Классификацию, когда задача отнести объект к категории. Спам или не спам? Кошки или собаки на фото? (Так например происходит автомодерация постов)

2. Обучение без учителя, правильных ответов нет. Модель сама ищет закономерности.
Зачем нужно:
- Кластеризация, задача разбить клиентов на похожие группы для разных стратегий, рекомендаций или маркетинговых компаний (на этом подходе работают рекомендации ютуба или персональные предложения в продуктовых)
- Поиск аномалий, например подозрительных транзакций среди миллионов обычных (так банки блокируют твою карту, если ты сделал странный перевод)

3. Обучение с подкреплением, очень похоже на то, как учится человек. Тут модель действует в среде и получает награду за удачные действия.
Это подход применяется в играх, робототехнике, торговых алгоритмах на бирже и управлении цепочками поставок.

Если к тебе пришли с ML-идеей, задай три вопроса:
1. У нас есть данные? Сколько, какого качества, размечены?
2. Какую бизнес метрику хотим улучшить? Что реально изменится для пользователей?
3. Почему нельзя решить простым алгоритмом?

Ответы отсеют половину проектов ради хайпа.

В следующих постах разберём, какие модели бывают и чем они отличаются, как катить их в прод и какие риски они несут.

🔮Управление без иллюзий. Подписывайтесь и делитесь с коллегами!

Канал в MAX'e

#материалы #ml