Это похоже на «керлинг, — сказал Крис Мессина, имея в виду вид спорта, в котором большой, сплющенный объект, похожий на шар для боулинга — камень, толкают по ледяной дорожке к цели, в то время как подметальные машины лихорадочно чистят лед метлами. и влияют на то, насколько близко камень подходит к цели. Для меня это что-то вроде машинного обучения. Вы отправляете эту систему по пути с кучей входных данных, и вы не знаете, чем это закончится, насколько близко она подойдет к цели.
Мессина, бывший руководитель отдела разработки в Uber, изобретатель хэштега и евангелист диалоговой коммерции и чат-ботов, в настоящее время работает в стартапе в скрытом режиме. Сегодня он был на сцене конференции VentureBeat по искусственному интеллекту вместе с Гилом Ардити, руководителем продукта для машинного обучения в Lyft.
Учитывая неуклонное совершенствование инструментов искусственного интеллекта и углубление понимания роли данных, сравнение Мессины с керлингом кажется уместным — машинное обучение становится все более доступным, и при некоторой настойчивости и упорной работе многие технические команды могут достичь цели.
«Сейчас машинное обучение, и в частности глубокое обучение, находится в начальной фазе супа», — сказал Ардити. Он предложил путь к широкому внедрению, мало чем отличающийся от корпоративных баз данных, которые в 1980-х годах находились в руках опытных инженеров. «Мы находимся на пути от [машинного обучения] как сверхтехнической задачи к задаче, с которой может справиться любой инженер».
Ардити описал подход Lyft к машинному обучению как состоящий из четырех этапов:
- Нормализация данных для ввода в модели машинного обучения
- Создавайте прототипы различных моделей и выбирайте ту, которая максимально приблизит вас к желаемым результатам.
- Обучайте модель, оценивая результаты и уточняя ее по мере обучения.
- Начать производство
На каждом этапе предпринимаются сознательные усилия по привлечению не только инженеров по машинному обучению, но и традиционных инженеров-программистов и менеджеров по продуктам. «При глубоком обучении не так много статистического моделирования, просто дайте ему необходимые инструменты и данные и относитесь к нему как к черному ящику. Мы работаем над тем, чтобы людям без докторской степени было проще понять, разработать и применить эти модели», — пояснил Ардити.
Насколько хорошо компании используют машинное обучение, во многом зависит от того, как они организуют своих сотрудников и процессы. Подобно тому, как сборочная линия стала незаменимой для производства автомобилей, со временем станут очевидными наиболее эффективные способы внедрения машинного обучения.
«Все дело в том, чтобы привлечь больше людей», — сказал Мессина. «Здесь сокращается размер петель обратной связи, гораздо больше тезисного проектирования и сравнения моделей с желаемыми результатами», для чего требуются не только инженеры по машинному обучению.
«Трудно представить себе какую-либо область Lyft, в которой не было бы преимуществ от машинного обучения, — сказал Ардити. Он рассказал, как этот метод улучшил обнаружение мошенничества, сэкономив компании десятки миллионов долларов, и как он повысил точность расчетного времени ожидания более чем на 50 процентов.
Когда дело доходит до машинного обучения, происходит своего рода демократизация кадров и бизнес-процессов. Кажется, что это становится немного больше похоже на керлинг — и так же доступно, как заказ машины.
