Днес данните и анализите не само описват, диагностицират, предвиждат или

Днес данните и анализите освен разказват, диагностицират, плануват или даже предлагат най-хубавите дейности, само че и задействат тези дейности автоматизирано
(снимка: CC0 Public Domain)

Много организации настояват че техните бизнес решения се ръководят от данни. Но те постоянно употребяват термина „ ръководен от данни ” да обозначат докладването на основни индикатори за успеваемост, основани на исторически данни – и потребление на разбор на тези индикатори, с цел да поддържат и обосноват бизнес решения, които, надяват се, ще доведат до мечтаните бизнес резултати. Макар че това е положително начало, към този момент не е достатъчно”.

Gartner

Традиционната роля на данните и анализите беше да поддържат вземането на решения. Сега те се ползват там където в никакъв случай до момента не са били прилагани. Днес данните и анализите освен разказват, диагностицират, плануват или даже предлагат най-хубавите дейности, само че и задействат тези дейности автоматизирано. Мотивацията зад тази нова област на приложение е задачата на доста компании да понижат времето за осъществяване на дилемите и размера на човешкия труд.

За да бъде ефикасен, бизнесът би трябвало да трансформира данните, които има, в ефикасни решения. Това е моментът, в който Анализът идва на помощ и дава научния развой за реализиране на задачата.

„ Анализ – научният развой на превръщане на данните в осъзнато и задълбочено схващане за взимане на по-добри решения ”.

Основи на бизнес анализите от Джефри Д. Кам и други

Нека забележим по какъв начин анализите са се развивали с течение на времето.
Етапи на развиване на анализите
Етап 1 – Описателни разбори

В началото съществуването въобще на каквито и да било данни беше достижение. От тези данни правихме съществени разбори и описвахме обстановката. Описателните разбори отговаряха на въпроса: какво се случи?

Етап 2 – Диагностични разбори

След това техниките и инструментите за разбор реализираха прочут прогрес и започнаха да изясняват освен какво се случва, само че и за какво. Например: за какво трафикът към уеб страницата през вчерашния ден се е нараснал с 50%? Анализите станаха диагностични. Диагностичните разбори дават отговор на въпроса: за какво се случи това?

Етап 3 – Прогнозни разбори

Това потомство е предсказателно по своята същина, помагайки ни освен да разберем какво се е случило в предишното, само че и какво може да се случи в бъдеще. Прогнозните разбори дават отговор на въпроса: какво ще се случи?

Етап 4 – Предписващи разбори

След прогнозирането има последваща стъпка на анализите – предписващи разбори, които ни споделят какво да вършим. Предписващите разбори дават отговор на въпроса: какво да вършим?

Етап 5 – Проактивни разбори

Има два метода за деяние. Единият е да реагирате на обстановката, а другият е да действате самодейно посредством основаване или управление на обстановка, при което карате нещо да се случи вместо да реагирате на него откакто то се е случило. Последното потомство разбори е самодейното, при което машините не се нуждаят от човек, с цел да работят. Те просто ще работят самодейно и ще свършат работата.
Проактивност в машинното образование
Има разнообразни способи за използване на някаква форма на проактивност в действителния бизнес.

Един от тях е елементарен емпиричен метод основан на правила, при който ръчно дефинирате и твърдо задавате разпоредбите за съответна обстановка (напр. в случай че цената е по-ниска от $100 – продавайте). Тогава някои софтуерни стратегии могат да правят авансово дефинирани дейности. Това е тъкмо като елементарна автоматизация за бизнес решения.

Друг метод е един по-сложен метод за математическа оптимизация. С нея, да вземем за пример, можете да минимизирате разноските за складова наличност. С този метод би трябвало да:
Моделирате бизнес казуса като математическа оптимизационна задача, с евентуално игнориране на някои от нейните части; Решите оптимизационната задача благодарение на оптимизационен математически модел; Донастроите математическото решение.
Моделирането изисква експертни знания в проблематичната област и умел анализатор, да вземем за пример лекар по проучване на бизнес интервенциите. Въпреки това, моделирането постоянно е неосъществимо или скъпо. В този случай на помощ идва машинното образование.

Терминът „ машинно образование ” е използван за първи път през 1959 година, когато пионерът на компютърните игри Артър Самюел го разказва като „ способ за даване на компютрите способността да могат да се учат без да бъдат категорично програмирани ”. Това към момента е заслужено изложение и през днешния ден.

Не беше лесна задача да се развие компютърната дарба за учене до равнище, което е сравнимо с хората. Отне десетилетия за доближаване до тази цел. Сега компютърът може да играе най-предизвикателните игри (шах, покер, Go) по-добре от човек, може да кара кола и да извършва други извънредно сложни задания без да е категорично програмиран. Сега компютърът може да се учи от личния си опит и противоположна връзка и е подготвен за самостоятелна проактивност даже без отраслово-специфични човешки знания.

Този пробив в машинното образование отваря нови благоприятни условия за бизнеса. Нека разгледаме типовете машинно образование, които се ползват в бизнес решенията през днешния ден, и за какви задания се употребяват.
Видове машинно образование
Има три съществени вида машинно образование: с контрол, без контрол и подсилено.

Машинно образование с контрол

Характерна специфичност на образованието с контрол е, че мечтаният резултат би трябвало да е към този момент прочут. Това е сходно на обстановка, когато възпитаник се учи от учител, само че в нашия случай системата се учи посредством образец. Знанията се дават под формата на набор от данни за образование. Най-често този метод се употребява за два типа задания: подредба и регресия.

С класификацията можем да решим доста типове задания по разбор. Например, за систематизиране на клиенти или на артикули. Обучението с контрол може да се употребява даже за рекомендации за деяние, само че единствено в случай че имаме набор от данни, в който за всяка точка от данни има едно най-хубаво предложено деяние. Често е доста мъчно или невероятно да се направи подобен набор от данни, тъй като не знаем кое деяние е в действителност най-хубавото в дадена обстановка. Въпреки това основаването на набори от данни за други типове задания, да вземем за пример за разказвателен разбор, е доста по-лесно. Описателният разбор може да се ползва за разнообразни цели, такива като пресмятане на кредитни опасности, схващане на трендове и оценка на индикатори във времето.

Когато се употребява метод на образованието с контрол е относително елементарно да се планува някаква непрекъсната стойност, имайки налични съществуващите исторически данни. По този метод машинното образование към този момент обезпечава предписващ разбор. Това се назовава регресия. Може дейно да се комбинира с математическа оптимизация. Например, можем да използваме техники за машинно образование, с цел да изградим модел, който планува бъдещо търсене (бъдещи равнища на продажби) за верига магазини на дребно. След това можем да използваме оптимизация, с цел да изчислим оптималното ръководство на складовата наличност за тези магазини като се уверим, че разноските за складовата наличност и рисковете от нейното привършване са минимални.

Машинно образование без контрол

Машинното образование без контрол е по-сложен развой, който до момента е бил употребен в по-малък брой приложения. То се случва когато една система може свободно да дефинира тенденционните повторяемости в данните, скритата конструкция без съответна цел. Бихте могли да срещнете тази техника при обезпечаване на работата на системи за рекомендация. Там тя се употребява с цел да помогне на клиентите да открият артикули, които харесват, и да помогне на бизнеса да отключи неочевидни (и носещи печалба) групи. Силата ѝ е, че може да групира и структурира комплицирани данни и да ги преобразува в по-удобен формат за предстоящ човешки разбор. Например, тя може да дефинира потребителски групи (клъстери) без да ги именува или класифицира. В някои случаи може да се употребява за предписващ разбор и да предложи най-вероятните дейности въз основа на историята.

Машинно образование с укрепване

Обучението с укрепване допуска, че има някаква числена премия, която би трябвало да бъде максимизирана – количествена противоположна връзка. Останалото се прави посредством търсене с проби и неточности. Учебният сътрудник става все по-добър и по-добър на всяка стъпка. С някои модификации може да се употребява за намиране на оптимална тактика даже когато има няколко конкурентни сътрудника (например, може да откри най-хубавата тактика за онлайн търг за дисплейна реклама). Обучението с укрепване е работещ метод за основаване на сътрудник за взимане на решения в действително време. Работи добре за решения на „ черна кутия ”, когато региона на задачата е комплицирана и не е добре проучена и може да се употребява за непосредствено пресмятане на решения.

Въпреки това има някои условия, които би трябвало да бъдат изпълнени, с цел да се приложи образование с укрепване. То е целесъобразно, когато за премията (или наказанието) в числова форма една итерация на образование не лишава прекалено много време, а времето сред деяние и премия не е доста дълго. Също по този начин належащо изискване за внедряване на образованието с укрепване е опцията да се направи компютърна симулация или евтина действителна симулация, където сътрудникът може да се учи и където грешката не би била доста скъпа.
Да обобщим
Виждаме какъв брой бързо се развива машинното образование и по какъв начин проблемите, които съществуваха през вчерашния ден, през днешния ден се отстраняват. Продуктите за машинно образование, които преди бяха пасивни научни принадлежности, в този момент се трансформират в цялостни, самостоятелни, самодейни интструменти за взимане на решения. Приложенията на тези нови самодейни артикули са многочислени и. Такива приложения включват самоуправляващи се коли, усъвършенстване на онлайн наличието, наддаване в онлайн търговете за дисплейна реклама и други Сигурни сме че дилемите, които изискват самостоятелни решения, ще бъдат изцяло автоматизирани от техниките за машинно образование в най-близкото бъдеще.

Статията е квалифицирано от експерти на софтуерната компания