अपने व्यवसाय में मशीन लर्निंग तकनीक को कैसे लागू करें

गार्टनर के अनुसार, मशीन सीखना अपने चरम पर है। डेटा विश्लेषण और मशीन लर्निंग के क्षेत्र में समाधान के विकास और कार्यान्वयन में लगे होने के नाते, हमारी DATA4 टीम को महत्वपूर्ण चरणों और नुकसानों में अनुभव प्राप्त हुआ है, जिसे मैं लेख में साझा करूंगा।

कार्यान्वयन के चरणों पर विचार करें:

1. समस्या का विवरण

किसी भी तकनीक को विशिष्ट व्यावसायिक समस्याओं को हल करना होगा। मशीन लर्निंग के सभी अनुप्रयोगों का वर्णन करने के लिए एक अलग लेख की आवश्यकता होगी, लेकिन कई मुख्य क्षेत्रों को प्रतिष्ठित किया जा सकता है। यह भविष्य कहनेवाला विश्लेषण (स्कोरिंग, बहिर्वाह, सबसे अच्छा प्रस्ताव, संबंधित उत्पादों आदि का निर्धारण), पाठ विश्लेषण (इंटरनेट पर समीक्षाएं, सामग्री मॉडरेशन, संदर्भों के विषय आदि), भाषण विश्लेषण और वीडियो विश्लेषण है।

एक सफल कार्यान्वयन के लिए, यह निर्धारित करना आवश्यक है कि हम किस KPI व्यवसाय में सुधार कर रहे हैं, कैसे और किस मीट्रिक द्वारा हम परिणाम को मापते हैं।

2. संग्रह, भंडारण और डेटा का प्रीप्रोसेसिंग

जब कार्य निर्धारित किया जाता है, तो प्रशिक्षण नमूना बनाना आवश्यक है (दुर्भाग्य से, अधिकांश व्यावसायिक कार्य "एक शिक्षक के साथ सीखने" से हल होते हैं)। हमारे अनुभव में, नमूना सबसे लंबा कदम है। इसे कम करने के लिए, कंपनी के पास डेटा के साथ काम करने की संस्कृति होनी चाहिए।

डेटा एकत्र करने के अलावा, उन्हें साफ़ करना और अंतिम परिणाम को प्रभावित करने वाली सुविधाओं को निर्धारित करना आवश्यक है।

3. एल्गोरिथ्म प्रशिक्षण

एल्गोरिथम भाग का विकास सबसे दिलचस्प है, लेकिन सबसे तेज़ चरण भी है। यह आमतौर पर कई घंटों से लेकर कई हफ्तों के काम तक होता है।

4. उच्च-स्तरीय स्ट्रैपिंग का विकास

समाधान न केवल डेटा विश्लेषण में विशेषज्ञ को, बल्कि प्रोग्रामर या व्यवस्थापक को भी स्पष्ट होना चाहिए जो इस समाधान को लागू करेंगे। और अगर यह अत्यधिक भरी हुई समाधान है, या सुरक्षा आवश्यकताओं में वृद्धि के साथ समाधान है, तो आपको इसे पायथन से दूसरी भाषा में फिर से लिखना पड़ सकता है।

5. एकीकरण

एक नियम के रूप में, अतिरिक्त संचार और अनुमोदन की आवश्यकता के कारण बहुत समय लगता है। यह चरण ग्राहक की टीम की आंतरिक शक्तियों द्वारा सबसे अच्छा प्रदर्शन किया जाता है।

6. प्रतिक्रिया संग्रह, मॉडल समायोजन

दुनिया लगातार बदल रही है, विकास की शुरुआत में सभी विशेषताओं को ध्यान में नहीं रखा जा सकता है। प्रतिक्रिया संग्रह समय पर ढंग से मॉडल को फिर से प्रदर्शित करने में मदद करता है। आदर्श रूप से, इस स्तर पर, चक्र नए सिरे से शुरू होता है, लेकिन कम समय के साथ।

मशीन सीखने के आधार पर समाधान की विशेषताएं:

1. मशीन लर्निंग आँकड़ों पर आधारित है, और जब एल्गोरिथ्म एक गलत भविष्यवाणी देता है - यह सामान्य है। यह बेहतर है कि व्यवसायिक ग्राहक को तुरंत यह समझाया जाए कि किस मेट्रिक्स की गुणवत्ता का मूल्यांकन किया जाता है, इन मेट्रिक्स का क्या मतलब होता है (हर कोई नहीं जानता कि एफ माप और रोको-आउ क्या हैं), और यह कि हाथ से 3 उदाहरण सेट करना और परिणाम को देखना दिलचस्प है, लेकिन सांख्यिकीय रूप से महत्वपूर्ण नहीं है ।
2. खराब परिणाम की भविष्यवाणी की। डेटा में हमेशा एक उपयोगी संकेत नहीं होता है, और अग्रिम में परिणाम की सटीक भविष्यवाणी करना असंभव है। हम आमतौर पर डेटा लेते हैं, सरल मॉडल बनाते हैं, और पहले से ही उनके आधार पर हम कहते हैं कि किस तरह का परिणाम प्राप्त करना संभव है। यह समस्या कुछ क्लासिक कार्यों (चेहरे की पहचान, भाषण मान्यता, आदि) पर लागू नहीं होती है।
3. मशीन लर्निंग एक आखिरी मील तकनीक है, सभी समस्याओं से चांदी की गोली नहीं। यदि विक्रेता किसी ग्राहक से फोन नहीं लेते हैं और ग्राहकों को वापस नहीं बुलाते हैं, तो वॉयस एनालिटिक्स शुरू करने में बहुत कम समझदारी होगी।
4. अधिकांश समय एकीकरण पर खर्च किया जाता है, और डेटा के संग्रह और प्रसंस्करण, और एल्गोरिथ्म के प्रशिक्षण पर नहीं (दुर्लभ अपवादों के साथ)।

तीसरे पक्ष के डेवलपर्स के साथ काम करने के लिए विकल्प:

1. प्रति घंटे के हिसाब से भुगतान। केवल तेजी से प्रोटोटाइप और एमवीपी के लिए उपयुक्त है। लेकिन आगे समर्थन की आवश्यकता वाले समाधानों के लिए उपयुक्त नहीं है।
2. अनुबंध विकास। बौद्धिक संपदा ग्राहक के पास जाती है, समर्थन संभव है, लेकिन टीके को सावधानीपूर्वक निर्धारित किया जाना चाहिए।
3. सिद्ध प्रभावशीलता से भुगतान। DATA4 में व्यक्तिगत अनुभव से, एक मामला जो स्वीकृतियों के मामले में बहुत जटिल है, जो व्यावहारिक रूप से व्यवहार में लागू नहीं होता है।

वैकल्पिक रूप से, आप आईबीएम, माइक्रोसॉफ्ट, आदि के तैयार प्लेटफार्मों का उपयोग कर सकते हैं, लेकिन व्यवहार में यह लगातार उपयोग के साथ महंगा हो जाता है, तैयार उपकरणों का उपयोग करके एक विशिष्ट मामले को लागू करना हमेशा संभव नहीं होता है, और वहां डेटा भेजे जाने पर प्रतिबंध हैं।

निष्कर्ष

मशीन लर्निंग प्रौद्योगिकियाँ व्यावसायिक दक्षता को बढ़ाती हैं, लेकिन हमें यह याद रखना चाहिए कि एक पूर्ण निर्णय लेने के लिए यह केवल एल्गोरिथम को प्रशिक्षित करने के लिए पर्याप्त नहीं है, बल्कि डेटा तैयार करने और आंतरिक प्रणालियों के साथ समाधान को एकीकृत करने के लिए आवश्यक है। और तैयार रहें कि परिणाम प्रशिक्षण नमूने की गुणवत्ता पर निर्भर करेगा।