Часть 1. Чтобы бесплатно загрузить это руководство в формате PDF, нажмите здесь

Вы чувствуете себя смущенным и подавленным всеми этими разговорами об ИИ? Вы чувствуете, что технологии летят вперед, а вы просто отстаете?

Слушать. Это не твоя вина. Я чувствовал то же самое.

Вокруг так много шумихи и дезинформации, что почти невозможно понять, что происходит на самом деле.

Когда я начал копаться в ИИ, меня либо засыпали техническими сообщениями в блогах о «минимизации перекрестной энтропии» и другими терминами, которые я не понимал, либо я читал о том, как нужно остановить роботов-убийц сейчас, пока не стало слишком поздно.

И что еще хуже, единственное, в чем я был уверен, это то, что мой бизнес и промышленность скоро будут радикально разрушены ИИ, и все остальные, казалось, понимали, кроме меня.

Поэтому я решил остановить безумие и разобраться во всем сам. Я начал общаться с инженерами и учеными, работающими с новейшими инструментами искусственного интеллекта. Я задавал им очень простые вопросы и продолжал задавать, пока не получил простые ответы, понятные каждому.

Вот что я нашел. Как и все остальное в технологиях, сегодняшние достижения в области искусственного интеллекта прекрасно подходят для решения одних проблем и совершенно ужасны для других. ИИ значительно улучшил такие области, как перевод, распознавание изображений и распознавание речи, но у нас все еще нет роботов, которые могут сортировать посылки в распределительных центрах Amazon (итого в стороне: но Amazon является одним из лидеров в области ИИ, и, очевидно, автоматизация этих складов стать для них огромной экономией средств, поэтому мы знаем, что они заинтересованы в этом!).

Это руководство представляет собой практический и серьезный обзор того, чем на самом деле является ИИ, а чем он не является. Вы узнаете, как применять ИИ в своем бизнесе и решать актуальные бизнес-задачи. Я обещаю, что не будет никаких терминаторов или опознавательных изображений хот-догов (для моих друзей-фанатов Кремниевой долины HBO).

Звучит достаточно честно? Здорово. Давайте начнем.

Часть 1: Что такое ИИ

ИИ на этот раз

ИИ — это термин, который нам известен давно. С самого начала вычислительной техники исследователи работали над программированием компьютеров, чтобы они думали как люди. И они во многом потерпели неудачу.

Конечно, это не помешало Голливуду дать нам восхитительные, но обычно ужасающие видения антиутопического будущего, которым управляют разумные компьютеры.

Так что же такого особенного в ИИ сегодня? Почему мы слышим об этом сейчас? Отличный вопрос. Есть две основные причины.

Во-первых, технологические достижения в области распознавания изображений, распознавания голоса и перевода вызвали интерес у потребителей. Эти достижения были приписаны ИИ (и вы поймете, что именно это означает позже), но идея беспилотных автомобилей или раннего обнаружения рака, несомненно, захватывающая.

Во-вторых, и это более актуально для деловых людей, крупные технологические компании вкладывают много денег в исследования и разработки в области ИИ. Это все обращают внимание. Любопытные задаются вопросом: во что именно инвестируют эти компании?

Чтобы точно понять, что такое ИИ прямо сейчас, вам нужен некоторый контекст о том, кто инвестирует в исследования и разработки ИИ.

Резюме

ИИ сейчас популярен из-за:

  • Технологические достижения в области распознавания изображений, голоса и естественного языка
  • Крупные инвестиции технологических гигантов

Предупреждение: ИИ означает большие деньги (для некоторых)

Давайте поговорим о рынке ИИ. Если вы просматривали недавние аналитические отчеты и новостные статьи, то знаете, что в них разбрасываются большие цифры. И большие числа привлекают внимание.

Недавно я видел цифры, оценивающие размер рынка искусственного интеллекта от 60 до 200 миллиардов долларов в 2020 году, всего через два года после написания этой статьи. Очевидно, что дисперсия огромна, и потенциал роста привлекает внимание деловых людей.

Вот номер, на который я хочу обратить ваше внимание. По данным Глобального института McKinsey, текущий рынок ИИ составляет от 26 до 39 миллиардов долларов. Вот кикер. В основном все эти расходы исходили от крупнейших технологических компаний.

Почти все инвестиции в ИИ исходят от крупных технологических гигантов

Прямо сейчас очень немногие компании, не связанные с высокими технологиями, инвестируют и используют ИИ. Это действительно важный момент, который многие упускают из виду. Google и Facebook делают много вещей, которые обычные компании не могут и не должны делать. Это само по себе не означает, что ИИ является одним из них, но он должен служить ярко-желтым предупреждающим сигналом.

Многие из достижений ИИ, которые мы видели — беспилотные автомобили, перевод, транскрипция голоса — являются результатом огромных инвестиций этих крупных компаний. И хотя они публично рассказывают о своем успехе, мы не видим, сколько времени и усилий ушло на все неудачи.

Тот факт, что Google и Facebook инвестируют во что-то, не означает, что вы должны делать то же самое

Тем не менее, есть несколько очень полезных стратегических и тактических преимуществ, которые опытные предприятия могут получить от достижений в области искусственного интеллекта сегодня. Давайте поговорим о том, что именно означает ИИ, чтобы вы могли понять, как вы можете использовать его в своем бизнесе.

Резюме

Инвестиции в ИИ распределяются неравномерно:

  • Почти все инвестиции поступают от крупных высокотехнологичных фирм.
  • То, что Google/FB инвестируют во что-то, не означает, что вы тоже должны это делать.

Что ИИ означает сегодня — Глубокое обучение

Основная технология, стоящая за сегодняшним бумом искусственного интеллекта, называется Deep Learning. Глубокое обучение является частью более широкой области машинного обучения (ML) и само по себе становится модным словом. На данный момент, когда вы слышите упоминание ИИ, подумайте о глубоком обучении.

ИИ = глубокое обучение

К сожалению, как уже упоминалось, Deep Learning является жертвой обмана и дезинформации. И, как и в случае с ИИ, это усложняет понимание глубокого обучения.

Бесполезные описания глубокого обучения:

  • Когнитивные вычисления
  • Алгоритмы, смоделированные как человеческий мозг
  • Приложение HBO «Не хот-дог» из Кремниевой долины

Однако, в отличие от ИИ, глубокое обучение относится к конкретной технологии. Так что под модным словом есть смысл.

Глубокое обучение означает нейронные сети

Глубокое обучение — это всего лишь последнее воплощение конкретной техники машинного обучения, называемой нейронными сетями. Нейронные сети — это очень старый метод машинного обучения для прогнозирования. Название «нейронная сеть» происходит от представления о человеческом мозге, в котором информация обрабатывается с помощью ряда нейронов, соединенных с помощью синапсов.

Глубокое обучение = нейронные сети

Теперь, прежде чем мы зайдем слишком далеко, я хочу обратиться к аналогии с человеческим мозгом. Как недавно сказал мне коллега, доктор наук и практикующий специалист по данным:

"Нейронные сети подобны органическому мозгу, а табуретка на четырех ножках похожа на корову"

Проблема в том, что эта аналогия с человеческим мозгом делает нейронные сети более изощренными, чем они того заслуживают. Даже сегодня ученые признают, что очень плохо понимают, как на самом деле работает человеческий мозг. Сходство между нейронными сетями и реальным органическим мозгом минимально (и математически нейронные сети действительно напоминают регрессии).

Так что, конечно же, нейронные сети были вдохновлены человеческим мозгом. Но эта аналогия настолько абстрактна, что практически бесполезна.

Но вот что имеет значение. Нейронные сети — это очень старый метод машинного обучения, используемый для прогнозирования.

Резюме

Нейронные сети это:

  • Алгоритмы, лежащие в основе ИИ и глубокого обучения
  • Очень старый
  • Техника машинного обучения
  • Используется для предсказания

Давайте обсудим каждый из них по очереди. Определив нейронные сети таким образом, вы получите более широкое понимание всей области машинного обучения, что принесет пользу вашему бизнесу.

Нейронные сети устарели

Нейронные сети были впервые представлены в 1940-х годах. Их век восходит к самому зарождению вычислительных машин. Более того, нейронные сети были довольно популярны до 1960-х годов.

Нейронные сети были впервые представлены в 1940-х годах.

В этот момент они потеряли популярность, в основном из-за отсутствия вычислительных ресурсов, необходимых для обучения этих алгоритмов. Вместо этого исследователи предпочли использовать подход под названием «экспертные системы».

Без мощных компьютеров они потеряли популярность

Сейчас я привожу только экспертные системы, потому что их определение обеспечивает полезный контраст с нейронными сетями. Видите ли, экспертные системы — это просто гигантские программы типа «ЕСЛИ-ТО-ИНАЧЕ». Тот, кто пишет программу, должен кодировать все возможные варианты входных данных. Как вы понимаете, это может быть очень сложно.

Но кроме того, давайте возьмем пример того, что люди делают легко, а нейронные сети начинают делать хорошо — распознавание лиц. Вы наслаждаетесь послеобеденным стаканом кустарного чая из ростков пшеницы в местном продовольственном кооперативе, когда входит ваш бывший сосед по комнате в колледже Джим. Теперь Джим не выглядит так же, как в колледже, но ваш разум мгновенно узнает человека перед вами как Джима. Готов поспорить, это Джим в порядке.

Теперь спросите себя, как вы могли бы составить серию утверждений «ЕСЛИ-ТО-ИНАЧЕ», чтобы определить, является ли данный человек Джимом или нет. И, конечно же, вы знаете больше людей, чем просто Джим, поэтому вы хотели бы расширить эту программу, чтобы охватить всех, кого вы знаете (или, по крайней мере, следите за новостями в Instagram прямо сейчас).

Если вы похожи на меня, то быстро понимаете, что это невыполнимая задача. Что ж, ряд исследователей и инженеров пришли к такому же выводу.

Они подумали про себя, не было бы проще, если бы мы могли просто дать компьютеру кучу изображений «Джим», а затем еще кучу всех остальных, помеченных «Не Джим», и позволить компьютеру самому выяснить, какие характеристики представляют собой Джим против Не Джима.

Теперь эта проблема распознавания лиц — это та проблема, которую нейронные сети — лучший вариант для решения на сегодняшний день. Но общая идея использования примеров данных для обучения компьютера поиску правильного ответа, а не явного программирования для этого, называется машинным обучением.

Теперь нейронные сети — это лишь один из многих методов машинного обучения. Итак, чтобы по-настоящему понять нейронные сети, нам нужно поговорить о машинном обучении.

Нейронные сети являются частью более широкой области машинного обучения.

Первый вопрос. Почему это называется машинным обучением? Что ж, ответ прост и известен. Как и нейронные сети, машинное обучение — очень старая область. Когда началось машинное обучение, компьютеры все еще часто называли «вычислительными машинами», отсюда и машинное обучение.

Хотя существует множество методов машинного обучения (одним из которых являются нейронные сети), основное определение машинного обучения таково. С машинным обучением мы используем:

Программное обеспечение и данные для построения моделей для прогнозирования решения бизнес-задач

Теперь в этом предложении есть ряд важных моментов, и я хочу убедиться, что мы полностью охватили каждый из них.

Мы обсудим:

  • Программное обеспечение и данные
  • Модели
  • Предсказания
  • Проблемы бизнеса

Программное обеспечение и данные

Во-первых, мы используем программное обеспечение и данные. Если у вас нет данных о вашем бизнесе, вы не собираетесь использовать машинное обучение. Хотя это может показаться очевидным, удивительно, как много людей понимают это неправильно.

И, честно говоря, экспертная система не требует данных как таковых. Конечно, вам нужно знать желаемый результат, но вам не нужны данные в том смысле, в каком методы машинного обучения требуют данных.

Что я имею в виду? Что ж, я имею в виду концепцию обучения и тестовых данных. В машинном обучении нам нужно разделить наши данные на два лагеря: обучение и тестирование. Мы делаем это потому, что в первую очередь нам нужно использовать данные для обучения наших моделей. Само по себе программное обеспечение бессмысленно без данных.

Проблема, однако, в том, что мы не хотим обучать нашу модель всем нашим историческим данным. Если мы поступим так, мы сильно рискуем построить модель, идеальную для прошлого, но плохую для будущего. Мы называем это «подгонкой», однако уместно то, что вы хотите проверить, насколько хорошо работает ваша модель (и вы захотите сделать это в продакшене, а не только в разработке).

Лучший способ сделать это при разработке модели машинного обучения — разделить ваши исторические данные на обучающие и тестовые наборы. Таким образом, вы можете обучить свою модель с одним набором данных, а затем протестировать ее с совершенно новым набором. Если модель хорошо работает на тестовом наборе, вы можете быть уверены, что она может хорошо работать в дикой природе.

Резюме

Помните, машинное обучение начинается с использования программного обеспечения для интерпретации данных. Важно, чтобы вы начали думать о своих данных как:

  • Данные для обучения — данные, которые вы даете своему алгоритму для практики и обучения.
  • Тестовые данные — данные, которые вы сохраняете, чтобы увидеть, насколько хорошо ваш алгоритм работает с данными, которые он не видел.

Модели

Модели — это то, что превращает ваши входные данные в ваш прогноз. Они могут быть чрезвычайно простыми или необычайно сложными.

Самые простые модели — это эвристики, или то, что вам рассказала бы ваша бабушка. Смотрите в обе стороны, прежде чем переходить улицу, или не садитесь в чужую машину — две эвристики, которые рассказывают детям. Теперь мы могли бы собрать данные о каждом сценарии и построить модель машинного обучения, чтобы более точно указать, при каких условиях человек должен действовать, но лучше всего работает простое эмпирическое правило.

Для важных результатов побеждают простые модели

Сейчас многие предприятия также полагаются на эвристики, но они не всегда работают так же хорошо, как выше. Вот почему. Следуя модели «Посмотрите в обе стороны, прежде чем перейти улицу», пользователь минимизирует вероятность попадания под машину, т. е. катастрофического события.

В сценариях, когда неверный прогноз приводит к серьезной проблеме для бизнеса, чем проще модель, тем лучше.

Теперь нейронные сети — это один из типов моделей, которые вы можете использовать для прогнозирования. И на момент написания этой статьи они все еще довольно сложны. Если неправильный ответ вашей модели катастрофически повлияет на ваш бизнес, вам не следует использовать нейронную сеть для этого прогноза.

Тем не менее, мы обсудим ряд сценариев, в которых нейронные сети (и другие мощные, но не заслуживающие внимания в настоящее время алгоритмы машинного обучения) работают очень хорошо.

Резюме

Мы используем программное обеспечение и данные для построения моделей. Модели преобразуют входные данные в наш прогноз.

Помните. Модели:

  • Возьмите входные данные и выведите прогноз
  • Должно быть просто, если неправильные прогнозы катастрофичны

Нейронные сети используются для прогнозирования

Я должен быть очень ясным, потому что многие деловые люди понимают это неправильно. Нейронные сети, как и любой метод машинного обучения, используются для прогнозирования. Если вы не делаете прогнозы в своем бизнесе, вам не следует использовать нейронную сеть.

Нейронные сети, как и машинное обучение, используются для прогнозирования

Допустим, вы являетесь интернет-магазином костюмов для Хэллоуина для кошек. Если вы хотите проанализировать среднюю сумму покупок ваших десяти лучших клиентов за последние три квартала, это будет вопрос бизнес-аналитики. Прогноза нет. Вы агрегируете исторические данные. Вы бы не использовали модель машинного обучения (не говоря уже о нейронной сети), чтобы ответить на него.

Продажи за последний квартал — это вопрос бизнес-аналитики, а не вопрос, который можно решить с помощью машинного обучения

Теперь предположим, что вы хотите предсказать, какой следующий товар купит существующий клиент. Вы собираете все данные о своих покупках, чтобы у вас был учебный набор покупок, сделанных существующими клиентами. Вы используете эти обучающие данные для построения модели машинного обучения, которая предсказывает, что клиент, скорее всего, купит на основе существующих покупок.

Предсказать, что ваши клиенты купят в следующий раз, — это вопрос машинного обучения

Теперь я должен отметить, что предсказания не всегда касаются будущего. Я знаю, что это может показаться немного странным, поэтому позвольте мне объяснить, что я имею в виду.

Вернемся к нашему примеру с интернет-магазином. Вы предполагаете (или прогнозируете), что почти все (скажем, 90%) ваших клиентов — владельцы кошек. Благодаря сбору данных в социальных сетях и кластерному анализу (о котором мы поговорим позже) вы узнаете, что 25% ваших клиентов являются владельцами очень маленьких собак (предположительно, владельцы, которые не могут найти костюмы достаточно маленького размера в розничных магазинах костюмов для собак).

Этот пример сегментации клиентской базы по видам домашних животных можно выполнить в Excel с помощью сводной таблицы. Но если вы хотите сегментировать своих клиентов по их характеристикам, которые группируют их вместе (о которых вы сами заранее не знаете), вы можете использовать тип модели машинного обучения, называемый алгоритмами кластеризации. Эти модели будут группировать ваши данные на основе точек данных, наиболее общих между клиентами.

В отличие от нашего примера прогнозирования следующей покупки нашего клиента, мы не даем этой модели правильный ответ для ее обучения. Мы не указываем, что представляет собой правильный ответ, а позволяем алгоритму сказать нам.

Это различие называется контролируемым и неконтролируемым обучением.

Обучение с учителем — это когда мы обучаем нашу модель заданным правильным ответам. При неконтролируемом обучении мы обучаем нашу модель без указания правильных ответов и позволяем алгоритму информировать нас о том, что он «считает» правильными ответами.

Теперь легко найти неконтролируемое обучение более привлекательным. Многие так и делают (по крайней мере поначалу), так как вроде как проще. В конце концов, вам не нужно утруждать себя предоставлением правильных ответов в ваших обучающих данных.

На практике, однако, подходы к обучению с учителем встречаются гораздо чаще. Хотя нейронные сети можно использовать как для обучения с учителем, так и для обучения без учителя, практические примеры возникают при обучении с учителем.

Обучение без учителя звучит круче, но обучение с учителем встречается гораздо чаще

Это чрезвычайно важно, поскольку мы движемся вперед. Недостаточно просто делать прогнозы. Вы должны подумать о том, где у вас есть надежные примеры результата, который вы хотите предсказать.

Помните. Для того, чтобы использовать нейронные сети, вам нужно:

  • Чтобы сделать прогноз
  • Множество исторических примеров результата, который вы хотите предсказать

Нейронные сети используются для решения бизнес-задач

Возвращаясь к нашему определению, мы приходим к самой важной части. Точно так же, как многие компании не понимают, что предсказание является критически важной предпосылкой для машинного обучения (и, в свою очередь, нейронных сетей), многие также не могут начать с реальной бизнес-проблемы.

Слишком часто мы видим, что бизнес начинается с «научных проектов». Они нанимают специалистов по обработке и анализу данных, помещают их в комнату и ожидают, что искры полетят, а идеи появятся в изобилии. Это не работает.

И, честно говоря, подход не кажется неразумным. Ведь деловые люди не понимают, на что способны эти инструменты. Поэтому, по их мнению, они позволяют людям, которые действительно понимают (специалистам по данным), прийти, узнать о бизнесе, а затем начать несколько типовых проектов.

Опять же, на первый взгляд это звучит нормально. Но на самом деле у этого подхода есть коварная ошибка.

Мы все слышали фразу «Мусор на входе, мусор на выходе», из-за которой мы забываем подлежащее предложения: вы! Если вы положите мусор на вход, вы получите мусор на выходе. И большая часть данных, которые у вас есть, это мусор!

Не все данные одинаковы

В традиционной диаграмме Венна набора навыков Data Scientist есть три круга примерно одинакового размера: математика/статистика, компьютерное программирование и предметные знания.

Я утверждаю, что знание предметной области гораздо важнее, чем два других. Это не означает, что один человек должен иметь все три, а скорее, что знания в предметной области должны быть больше, чем у двух других, и должны присутствовать в первую очередь.

Причина в том, что существует слишком много особенностей в отношении того, как и почему предприятия собирают данные, чтобы позволить группе специалистов по обработке и анализу данных просто делать выводы о предметной области после запуска проекта.

История того, когда, где и как была собрана информация, оказывает существенное влияние на успех любых усилий по науке о данных и лучше всего известна деловым людям (сами эксперты в предметной области).

Вместо того, чтобы ваша команда специалистов по данным выдвигала проекты, которые ошибочно делают выводы на основе ошибочных данных, просто попросите бизнес-команду начать с проблемы, которую мы не можем решить теперь, когда мы знаем, что у нас есть надежные данные.

Кроме того, сам процесс сбора данных в большинстве предприятий не является деятельностью, осуществляемой отдельно от основного бизнеса. Например, кассовые аппараты не регистрируют транзакции для последующего анализа данных, а регистрируют транзакции для отслеживания поступления доходов и оттока товаров.

Весьма вероятно, что когда бизнес-группа решит, что они хотят количественно проанализировать проблему, у них не будет необходимых данных (или, по крайней мере, они предпочли бы их иметь). Сама бизнес-команда должна будет изменить основную бизнес-практику, чтобы обеспечить сбор необходимых данных.

Если этого не произойдет, а бизнес просто привлечет специалистов по данным и, как известно, отпустит их, они неизменно будут выполнять большую часть своей работы там, где есть хорошие данные. Подобно пьянице, которая ищет ключи только под уличным фонарем, а не в темном переулке, где их уронила, ваша команда будет проводить свое время там, где лучше всего освещается свет. Это может быть или не быть самой ценной областью для вашего бизнеса.

Вам нужно заранее определить, какую бизнес-проблему вы хотите решить, прежде чем привлекать специалистов по данным или обсуждать конкретный метод машинного обучения (например, нейронные сети). Сбор данных имеет решающее значение для работы по науке о данных, и любые изменения в сборе данных потребуют изменений в основной деловой практике. Таким образом, бизнес-команда должна заранее решить, какую проблему они хотят решить, чтобы, в свою очередь, проанализировать существующие доступные данные. Это не означает, что команда по анализу данных не будет искать дополнительные наборы данных, но бизнес-группа должна понимать происхождение и достоверность основных данных, необходимых для анализа.

Резюме:

  • Никаких научных проектов. Потребности бизнеса должны стимулировать усилия по науке о данных
  • Знание предметной области важнее, чем программная инженерия или математический/статистический компонент машинного обучения.
  • Сами деловые люди являются лучшими экспертами в предметной области и должны быть хорошо осведомлены об основных данных для анализа, поскольку сбор этих данных (если их необходимо изменить) обычно является основной деловой практикой.

Почему нейронные сети сейчас популярны

Нейронные сети сейчас популярны из-за недавнего увеличения вычислительной мощности и доступных данных. В совокупности эти два фактора позволяют все более сложным нейронным сетям (глубоким) работать достаточно быстро, чтобы результаты были полезными.

Увеличение вычислительной мощности произошло в основном за счет графических процессоров (GPU). Графические процессоры становятся все более мощными благодаря требованиям видеоигр. Чтобы отображать все более сложные последовательности видеоигр, графические процессоры стали достаточно искусными в выполнении требуемой матричной математики.

Со временем такие компании, как Nvidia, написали программное обеспечение, позволяющее людям писать код, который будет выполняться на этих графических процессорах (а не только на процессорах). Нейронные сети, в частности, выигрывают от того, что могут очень быстро выполнять матричные математические операции.

На практике многие компании, работающие с нейронными сетями, покупают машины с мощными графическими процессорами. Но те, кто заинтересован в экспериментах, могут арендовать эти машины через поставщиков облачных вычислений, таких как Amazon, Google и Microsoft.

Но это только половина уравнения. Вторая часть — взрыв данных. Чтобы сослаться на другое модное слово, которое, я уверен, вы слышали, это называется «Большие данные». Сейчас я не собираюсь вдаваться в архитектуру, хранилище и инструменты запросов для систем больших данных, но просто знаю, что для того, чтобы нейронные сети давали ценные выходные данные, требуется очень много примеров данных.

Кроме того, я хочу повторить, что если у вас нет большого количества примеров того, что вы пытаетесь предсказать, вы не будете использовать нейронную сеть.

Резюме

Глубокое обучение сейчас популярно, потому что:

  • Компьютеры более мощные (графические процессоры)
  • У нас гораздо больше примеров данных (большие данные)

Чтобы начать глубокое обучение, вам необходимо:

  • Компьютеры с мощными графическими процессорами (физические или облачные)
  • Много-много примеров данных

Заключение: часть 1

Ажиотаж вокруг ИИ связан с набором методов, называемых глубоким обучением. Глубокое обучение, в свою очередь, на самом деле просто описывает старую технику под названием нейронные сети. Мы можем в просторечии сказать, что ИИ = глубокое обучение = нейронные сети.

Нейронные сети являются частью более широкой области машинного обучения. Машинное обучение — это один из процессов использования программного обеспечения и данных для прогнозирования решения бизнес-задач. Нейронные сети — очень старый метод, и в последнее время они становятся все более популярными из-за достижений в вычислительной мощности и увеличения объема хранения данных.

Хотя нейронные сети успешно используются для распознавания/перевода изображений, голоса и текста, они не являются широко доступными и не подходят для решения любых бизнес-задач. Большая часть инвестиций поступила от крупнейших технологических гигантов. И не зря — у них есть данные, вычислительная мощность, время и опыт для экспериментов с этими инструментами.

Как и в случае с проблемами машинного обучения в целом, компаниям необходимо понимать, какую бизнес-проблему они хотят решить, какой результат они предсказывают, а затем какие данные у них есть для анализа. Машинное обучение в целом или нейронные сети в частности могут быть не лучшим решением для данной проблемы.