Comments 11
Вот я лично даже и близко не Алфабет или даже Вымпелком. Хотя правила относительно этого вопроса у меня тоже есть:
Ценны не модели, а в первую очередь связанные данные.
Ценны не модели, а их прогнозы.
Ошибки делает и обычный софт. Цена ошибки может быть сопоставима.
Нельзя заставлять людей гадать почему алгоритм поступил так. Объясняй принцип и рассказывай в каких случаях модель может ошибаться (и как).
ML неплохо моделирует явления замкнутых систем. ML часто может заменять решения одного человека. Иногда - множества, но с большей неопределенностью. Не стоит пытаться пробовать ML, когда нельзя оценить распределение предсказываемого или оно меняется без "физической связи".
Вообще, я не очень понял, в чем мысль. Что можно не пользоваться ML? Да не пользуйтесь, как-будто кто-то заставляет.
ML, собственно, это и есть извлечение эвристик из данных, и их последующая эксплуатация. Просто в зависимости от алгоритма, эвристик, различным образом сформулированных.
Так что все это, особенно для оператора, выглядит как пчелы против меда.
Да не пользуйтесь, как-будто кто-то заставляет
Кажется, Вы не до конца понимаете, какое сейчас происходит давление на бизнес а-ля "Если не примените ИИ, то конкуренты вас выдавят". Причем это какой-то абстрактный ИИ, серебряная пуля. А вот прикладное машинное обучение не все умеют готовить. Вот и получается, что даже адептам ML, вроде автора оригинальной статьи, приходится распространять идею начинать проекты без ML. Это помогает бизнесу не строить иллюзий о фантастических эффектах, рассматривать ИИ как инструмент решения точечных задач.
P.S. Есть штучные компании, у которых именно бизнес построен на ИИ. Я не о них.
P.S.S. Очень трудно сформулировать видение о положении дел в одном комментарии, хоть статью пиши.
"Если не примените ИИ, то конкуренты вас выдавят"
А может это просто здравая мысль? То есть всякое давление просто из-за хайпа, а хайп просто из-за магического вау-эффекта на неискушенных?
Я про то что ML выставлять карго-культом - тоже хайпожорство.
А вот конкретно видением я и сам могу поделиться, без всяких статей. Два типа ML-внедренцев,
Слышали звон (в том числе от консультантов каких), хотят, считают сначала экономический эффект, потом пытаются реализовать. Это часто индустриальный крупняк, который как инвестиционный проект рассматривает в том числе и ML.
"Доморощенный" (в хорошем смысле) ML. inhouse team, никаких подрядчиков.
Соотношение я бы сказал 50/50,. с вариациями на тему. Но все понимают ценность, пусть даже хоть и первые не в курсе, в чем механика эффекта, пытаясь извлечь его на бумаге и в пресс-релизах, кормя попутно неумеек интеграторов, которые бустят что в руки попадётся.
Развеивать мифы о русском ML, бессмысленном и беспощадно, стоило бы в таком ключе. А не сакральными откровенными со ссылками на гугл.
Мысль поста в том, что надо применять инструмент под задачу.
Для этого надо сначала разобраться в задаче, а не пытаться для 2 + 2 использовать квантовый компьютер )
Да, спасибо. До этого что "инструмент под задачу" никто не догадался помыслить.
Ведь все только и делают, что сетки заряжают, никто уже и код не пишет.
Как бы смешно это ни было, но именно так часто и происходит. Заказчики зачастую хотят увидеть использование не рационального инструмента для задачи, а именно сам факт использование инструмента
Конечно, ведь рациональными зачастую бывают только программисты, ведь часто только они знают решение задачи.
Я там выше по поводу карго-культа высказался уже. На третий вираж уже лень заходить.
Одно только добавлю - задач на данных, которые решаются без машинного обучения с теми же метриками, значительно меньше. Разница как между континуальными и счетными множествами. Формул, как комбинаций символов, счетное число, а функций - пусть из того же C[0, 1] - континуально.
Это также означает что с ростом поступающих данных (без оверфита) ML-модели будут работать с определённым качеством, а эвристики точно хуже.
Но это волнует только исследователей. И еще тех, у кого данных много. Например как у какого-нибудь сотового оператора.
При большом количестве данных и требуемом большом количестве решений используйте AI.
При большом количестве данных и требующихся конкретных из них выводов используйте статистический анализ.
При недостаточном количестве данных и требующихся из них выводах используйте аналитику.
Это будет рационально с любых точек зрения.
Первое правило машинного обучения: начните без машинного обучения