Где применяется машинное обучение

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.

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.