Hướng dẫn chi tiết về Machine Learning trong doanh nghiệp

Các doanh nghiệp đang áp dụng công nghệ học máy (Machine Learning, ML) với tốc độ nhanh chóng. Trong hướng dẫn này, chúng tôi chia nhỏ những gì bạn cần biết về công nghệ mang tính bước ngoặt này.

Machine Learning cho các ứng dụng trong doanh nghiệp đang bùng nổ. Từ việc cải thiện trải nghiệm của khách hàng đến phát triển sản phẩm mới, hầu như không có lĩnh vực kinh doanh hiện đại nào không thể không cần đến ML.

ML là một con đường để tạo ra trí tuệ nhân tạo, mà đến lượt nó là một trong những động lực chính của việc sử dụng ML trong doanh nghiệp. Có một số tranh cãi về bản chất chính xác của mối quan hệ giữa AI và ML. Một số người coi ML là một tập con của AI, trong khi những người khác xem AI về cơ bản là một tập con của ML. Nói chung, AI nhằm mục đích tái tạo một số khía cạnh của nhận thức hoặc ra quyết định của con người, trong khi ML có thể được sử dụng để tăng cường hoặc tự động hóa hầu như mọi tác vụ, không chỉ những tác vụ liên quan đến nhận thức của con người. Dù bạn xem chúng như thế nào, hai khái niệm được liên kết chặt chẽ và chúng đang đóng góp vào sự phổ biến của nhau.

Việc thực hành ML bao gồm lấy dữ liệu, tìm kiếm các hình mẫu và phát triển một số loại dự đoán về kết quả trong tương lai. Bằng cách cung cấp cho mô hình thuật toán nhiều dữ liệu hơn theo thời gian, các nhà khoa học dữ liệu có thể làm sắc nét các dự đoán của mô hình ML. Từ khái niệm cơ bản này, một số loại ML khác nhau đã được phát triển:

  • Supervised machine learning (Học có giám sát). Hình thức phổ biến nhất của ML, học có giám sát bao gồm cung cấp một thuật toán số lượng lớn dữ liệu đào tạo được gắn nhãn và yêu cầu nó đưa ra dự đoán về dữ liệu chưa từng thấy dựa trên các mối tương quan mà nó học được từ dữ liệu được dán nhãn.
  • Unsupervised learning (Học không giám sát). Học tập không giám sát thường được sử dụng trong các ứng dụng tiên tiến hơn của trí tuệ nhân tạo. Nó liên quan đến việc cung cấp dữ liệu đào tạo không được gắn nhãn cho một thuật toán và yêu cầu nó tự mình lấy bất kỳ liên kết nào có thể. Học tập không giám sát là phổ biến trong các ứng dụng phân cụm (hành động phát hiện ra các nhóm trong dữ liệu) và liên kết (dự đoán các quy tắc mô tả dữ liệu).
  • Semisupervised learning (Học có giám sát một phần). Trong học tập bán giám sát, các thuật toán huấn luyện trên các tập dữ liệu nhỏ được dán nhãn và sau đó, như trong học tập không giám sát, áp dụng các bài học của họ vào dữ liệu không được gắn nhãn. Cách tiếp cận này thường được sử dụng khi thiếu dữ liệu chất lượng.
  • Reinforcement learning (Học tăng cường). Các thuật toán học tăng cường nhận được một bộ hướng dẫn và hướng dẫn và sau đó tự đưa ra quyết định về cách xử lý một nhiệm vụ thông qua quá trình thử và sai. Các quyết định được khen thưởng hoặc trừng phạt như một phương tiện hướng dẫn AI đến giải pháp tối ưu cho vấn đề.

Từ bốn loại ML chính này, các doanh nghiệp đã phát triển một loạt các kỹ thuật và ứng dụng ấn tượng. Tất cả mọi thứ từ dự báo bán hàng tương đối đơn giản đến hầu hết các công cụ AI tiên tiến nhất hiện nay đều chạy trên các mô hình ML. Hướng dẫn này để ML trong doanh nghiệp khám phá nhiều trường hợp sử dụng cho ML, những thách thức đối với việc áp dụng, cách triển khai các công nghệ ML và nhiều hơn nữa.

Các trường hợp sử dụng và lợi ích đối với doanh nghiệp

ML ứng dụng cho các doanh nghiệp đang tăng tốc, và không chỉ ở vòng ngoài. Ngày càng nhiều công ty đang đặt các ứng dụng ML vào trung tâm của các mô hình kinh doanh của họ. Công nghệ này đã cho phép các doanh nghiệp thực hiện các nhiệm vụ ở quy mô trước đây không thể thực hiện được, không chỉ tạo ra hiệu quả cho các công ty mà còn cả các cơ hội kinh doanh mới, như nhà văn công nghệ Mary Pratt giải thích trong “10 cách sử dụng phổ biến cho ML trong kinh doanh”. Việc sử dụng ngày càng tăng của ML trong các quy trình kinh doanh quan trọng được phản ánh trong phạm vi các trường hợp sử dụng mà nó đóng vai trò không thể thiếu. Sau đây là các ví dụ:

  • Hệ thống gợi ý/đề xuất. Các công ty trực tuyến, đối mặt với người tiêu dùng nổi bật nhất hiện nay sử dụng các công cụ đề xuất để có được sản phẩm phù hợp trước khách hàng của họ vào đúng thời điểm. Gã khổng lồ bán lẻ trực tuyến Amazon đã tiên phong trong công nghệ này vào đầu thập kỷ trước và từ đó nó đã trở thành công nghệ tiêu chuẩn cho các trang web mua sắm trực tuyến. Các công cụ này xem xét lịch sử duyệt web của khách hàng theo thời gian và phù hợp với các ưu tiên được mô tả bởi lịch sử đó với các sản phẩm khác mà khách hàng có thể chưa biết.
  • Phát hiện gian lận. Khi nhiều giao dịch tài chính chuyển sang trực tuyến, cơ hội gian lận chưa bao giờ lớn hơn. Điều đó làm cho nhu cầu phát hiện gian lận là tối quan trọng. Các công ty thẻ tín dụng, ngân hàng và nhà bán lẻ đang ngày càng sử dụng các ứng dụng ML để loại trừ các trường hợp lừa đảo. Ở mức độ rất cơ bản, các ứng dụng này hoạt động bằng cách tìm hiểu các đặc điểm của giao dịch hợp pháp và sau đó quét các giao dịch đến để tìm các đặc điểm sai lệch. Công cụ này sau đó gắn cờ các giao dịch này.
  • Phân tích khách hàng. Hầu hết các doanh nghiệp ngày nay thu thập các cửa hàng dữ liệu lớn về khách hàng của họ. Cái gọi là dữ liệu lớn này bao gồm mọi thứ, từ lịch sử duyệt web đến hoạt động truyền thông xã hội. Nó quá xa vời và đa dạng đối với con người để tự cảm nhận. Đó là nơi ML xuất hiện. Các thuật toán có thể kiểm soát các hồ dữ liệu nơi doanh nghiệp lưu trữ dữ liệu thô và phát triển hiểu biết về khách hàng. ML thậm chí có thể phát triển các chiến lược tiếp thị được cá nhân hóa nhắm vào khách hàng cá nhân và thông báo các chiến lược để cải thiện trải nghiệm của khách hàng .
  • Kinh doanh tài chính. Phố Wall là một trong những người áp dụng công nghệ ML sớm nhất và lý do rất rõ ràng: Trong một thế giới cổ phần cao, nơi hàng tỷ đô la đang hoạt động, bất kỳ cạnh nào cũng có giá trị. Các thuật toán ML có thể kiểm tra các tập dữ liệu lịch sử, tìm các mẫu trong hiệu suất cổ phiếu và đưa ra dự đoán về cách các cổ phiếu nhất định có khả năng thực hiện trong tương lai.
  • Trợ lý ảo. Đến bây giờ, hầu hết mọi người đều quen thuộc với trợ lý ảo từ các công ty công nghệ như Apple và Google. Những gì họ có thể không biết là mức độ mà ML tăng sức mạnh cho các bot này. ML đi vào một số cách khác nhau, bao gồm học sâu , một kỹ thuật ML dựa trên các mạng lưới thần kinh . Học sâu đóng vai trò quan trọng trong việc phát triển xử lý ngôn ngữ tự nhiên, đó là cách bot có thể tương tác với người dùng và tìm hiểu sở thích của người dùng.
  • Xe tự lái. Đây là nơi mà ML bước vào vương quốc của AI với mục tiêu tiến tới ngang tầm với trí thông minh của con người. Một phương tiện tự lái sử dụng mạng lưới thần kinh để học cách giải thích các vật thể được phát hiện bởi camera và các cảm biến khác của chúng, và để xác định hành động nào cần thực hiện để di chuyển phương tiện xuống đường. Theo cách này, các thuật toán ML có thể sử dụng dữ liệu để tiến gần đến việc nhân rộng nhận thức và ra quyết định giống như con người.

Đây chỉ là một số ví dụ, nhưng có nhiều hơn nữa. Bất kỳ quy trình kinh doanh nào sản xuất hoặc sử dụng một lượng lớn dữ liệu – đặc biệt là dữ liệu có cấu trúc, được gắn nhãn – đã sẵn sàng để tự động hóa sử dụng ML. Các doanh nghiệp trên tất cả các ngành đã học được điều này và đang nỗ lực để thực hiện các phương pháp ML trong suốt quy trình của họ.

trường hợp sử dụng ML
Các trường hợp sử dụng ML phổ biến

Không khó để thấy lý do tại sao ML đã đi vào rất nhiều tình huống. Các doanh nghiệp đã áp dụng ML đang giải quyết các vấn đề kinh doanh và gặt hái giá trị từ kỹ thuật AI này. Dưới đây là sáu lợi ích kinh doanh :

  • tăng năng suất;
  • chi phí lao động thấp hơn;
  • dự báo tài chính tốt hơn;
  • hiểu rõ hơn về khách hàng;
  • nhiệm vụ ít lặp đi lặp lại cho công nhân; và
  • tiên tiến hơn và giống như con người.

Các thách thức

Câu hỏi không còn là có nên sử dụng ML hay không, đó là cách vận hành ML theo cách mang lại kết quả tối ưu. Đó là nơi mọi thứ trở nên khó khăn.

ML là một công nghệ phức tạp đòi hỏi chuyên môn đáng kể. Không giống như một số lĩnh vực công nghệ khác, nơi phần mềm chủ yếu là plug and play, machine learning buộc người dùng phải suy nghĩ về lý do tại sao họ sử dụng nó, ai đang xây dựng các công cụ, giả định của họ là gì và cách áp dụng công nghệ. Có rất ít công nghệ khác có rất nhiều điểm thất bại tiềm năng.

Trường hợp sử dụng sai là sự sụp đổ của nhiều ứng dụng ML. Đôi khi các doanh nghiệp dẫn đầu với công nghệ, tìm cách để thực hiện ML, thay vì cho phép vấn đề đưa ra giải pháp. Khi ML được đưa vào trường hợp sử dụng, nó thường không mang lại kết quả.

Các mô hình ML dữ liệu sai doom mô hình học nhanh hơn bất cứ điều gì. Dữ liệu là nguồn sống của ML. Các mô hình chỉ biết những gì họ đã được hiển thị , vì vậy khi dữ liệu họ đào tạo không chính xác, không được tổ chức hoặc sai lệch theo một cách nào đó, đầu ra của mô hình sẽ bị lỗi.

Xu hướng thường xuyên cản trở việc thực hiện ML. Nhiều loại sai lệch có thể làm suy yếu việc triển khai máy nói chung rơi vào hai loại. Một loại xảy ra khi dữ liệu được thu thập để huấn luyện thuật toán đơn giản là không phản ánh thế giới thực. Tập dữ liệu không chính xác, không đầy đủ hoặc không đủ đa dạng. Một loại sai lệch khác xuất phát từ các phương pháp được sử dụng để lấy mẫu, tổng hợp, lọc và nâng cao dữ liệu đó. Trong cả hai trường hợp, các lỗi có thể xuất phát từ sự thiên vị của các nhà khoa học dữ liệu giám sát việc đào tạo và dẫn đến các mô hình không chính xác và tệ hơn là ảnh hưởng không công bằng đến các nhóm dân cư cụ thể. Trong bài viết của mình ” 6 cách để giảm các loại sai lệch khác nhau trong ML, “Nhà phân tích Ron Schmelzer đã giải thích các loại sai lệch có thể làm hỏng các dự án ML và cách giảm thiểu chúng.

Chức năng hộp đen là một lý do tại sao sự thiên vị rất phổ biến trong ML. Nhiều loại thuật toán ML – thuật toán đặc biệt không được giám sát – hoạt động theo cách mờ đục hoặc như một ” hộp đen ” cho nhà phát triển. Một nhà khoa học dữ liệu cung cấp dữ liệu thuật toán, thuật toán tạo ra các quan sát về mối tương quan và sau đó tạo ra một số loại đầu ra dựa trên những quan sát này. Nhưng hầu hết các mô hình không thể giải thích cho nhà khoa học dữ liệu tại sao họ tạo ra kết quả đầu ra họ làm. Điều này làm cho việc phát hiện các trường hợp sai lệch hoặc các lỗi khác của mô hình là cực kỳ khó khăn.

Sự phức tạp kỹ thuật là một trong những thách thức lớn nhất đối với doanh nghiệp sử dụng ML. Khái niệm cơ bản về cung cấp dữ liệu huấn luyện cho một thuật toán và cho phép nó tìm hiểu các đặc điểm của tập dữ liệu nghe có vẻ đủ đơn giản. Nhưng có rất nhiều phức tạp kỹ thuật dưới mui xe. Các thuật toán được xây dựng xung quanh các khái niệm toán học tiên tiến và mã mà thuật toán chạy trên có thể khó học. Không phải tất cả các doanh nghiệp có chuyên môn kỹ thuật trong nhà cần thiết để phát triển các ứng dụng ML hiệu quả.

Thiếu tính tổng quát ngăn cản việc ML từ nhân rộng sang các trường hợp sử dụng mới ở hầu hết các doanh nghiệp. Các ứng dụng ML chỉ biết những gì chúng đã được đào tạo rõ ràng. Điều này có nghĩa là một mô hình không thể lấy một cái gì đó nó đã học về một lĩnh vực và áp dụng nó cho một khu vực khác, theo cách mà một con người có thể làm được. Các thuật toán cần được đào tạo từ đầu cho mọi trường hợp sử dụng mới.

Làm thế nào thiên vị lây nhiễm các ứng dụng AI
Xu hướng là một trong những thách thức lớn nhất trong ML.

6 bước thực hiện

Thực hiện ML là một quá trình nhiều bước đòi hỏi đầu vào từ nhiều loại chuyên gia. Dưới đây là một phác thảo của quá trình trong sáu bước.

  1. Quá trình truển khai ML bắt đầu với việc xác định một vấn đề . Các dự án ML hiệu quả nhất giải quyết các thách thức hoặc cơ hội kinh doanh cụ thể, được xác định rõ ràng.
  2. Sau giai đoạn hình thành vấn đề, các nhóm khoa học dữ liệu nên chọn thuật toán của họ . Các thuật toán ML khác nhau phù hợp hơn cho các tác vụ khác nhau, như được giải thích trong bài viết này về ” 9 loại thuật toán ML ” của biên tập viên TechTarget Kassidy Kelley. Các thuật toán hồi quy tuyến tính đơn giản hoạt động tốt trong mọi trường hợp sử dụng trong đó người dùng tìm cách dự đoán một biến chưa biết dựa trên một biến đã biết khác. Các thuật toán học sâu tiên tiến tốt hơn ở những thứ phức tạp như nhận dạng hình ảnh hoặc tạo văn bản. Có hàng tá các loại thuật toán khác bao trùm khoảng trống giữa các ví dụ này. Chọn đúng là điều cần thiết cho sự thành công của các dự án ML.
  3. Sau khi nhóm khoa học dữ liệu xác định vấn đề và chọn một thuật toán, bước tiếp theo là thu thập dữ liệu . Tầm quan trọng của việc thu thập đúng loại và đủ dữ liệu thường bị đánh giá thấp, nhưng không nên. Dữ liệu là nguồn sống của ML. Nó cung cấp các thuật toán với mọi thứ họ biết, từ đó xác định những gì họ có khả năng. Thu thập dữ liệu bao gồm các tác vụ phức tạp như xác định kho lưu trữ dữ liệu, viết tập lệnh để kết nối cơ sở dữ liệu với các ứng dụng ML, xác minh dữ liệu, làm sạch và ghi nhãn dữ liệu và sắp xếp nó trong các tệp để thuật toán hoạt động. Mặc dù đây là những công việc tẻ nhạt và phức tạp, nhưng tầm quan trọng của chúng không thể được phóng đại.
  1. Bây giờ là lúc để phép thuật bắt đầu. Khi nhóm khoa học dữ liệu có tất cả dữ liệu cần thiết, nó có thể bắt đầu xây dựng mô hình . Bước này trong quy trình ML sẽ khác nhau đáng kể tùy thuộc vào việc nhóm sử dụng thuật toán ML có giám sát hay thuật toán không giám sát. Khi đào tạo được giám sát, nhóm cung cấp dữ liệu thuật toán và cho nó biết các tính năng cần kiểm tra. Trong một phương pháp học tập không giám sát, nhóm về cơ bản biến thuật toán lỏng lẻo trên dữ liệu và quay trở lại một khi thuật toán đã tạo ra một mô hình về dữ liệu trông như thế nào. Tìm hiểu làm thế nào để xây dựng một mô hình mạng thần kinh trong mẹo chuyên gia này.
  2. Phát triển ứng dụng là tiếp theo. Bây giờ thuật toán đã phát triển một mô hình về dữ liệu trông như thế nào, các nhà khoa học và nhà phát triển dữ liệu có thể xây dựng việc học đó thành một ứng dụng giải quyết thách thức hoặc cơ hội kinh doanh được xác định trong bước đầu tiên của quy trình. Đôi khi điều này rất đơn giản, giống như một bảng điều khiển dữ liệu cập nhật các dự báo bán hàng dựa trên điều kiện kinh tế thay đổi. Nó có thể là một công cụ đề xuất đã học cách điều chỉnh các đề xuất dựa trên hành vi của khách hàng trong quá khứ. Hoặc nó có thể là một thành phần của phần mềm y tế tiên tiến sử dụng công nghệ nhận dạng hình ảnh để phát hiện tế bào ung thư trong hình ảnh y tế. Trong giai đoạn phát triển, các kỹ sư sẽ kiểm tra mô hình dựa trên dữ liệu mới, đến để đảm bảo nó mang lại dự đoán chính xác.
  3. Mặc dù công việc chính đã hoàn tất, nhưng bây giờ không phải là lúc để rời khỏi mô hình. Bước cuối cùng trong quy trình ML là xác nhận mô hình . Các nhà khoa học dữ liệu nên xác minh rằng ứng dụng của họ đang đưa ra dự đoán chính xác trên cơ sở liên tục. Nếu có, có rất ít lý do để thực hiện thay đổi. Tuy nhiên, hiệu suất mô hình thường suy giảm theo thời gian. Điều này là do các sự kiện cơ bản mà mô hình được đào tạo – cho dù điều kiện kinh tế hoặc xu hướng của khách hàng – thay đổi khi thời gian trôi qua. Khi điều này xảy ra, hiệu suất của các mô hình trở nên tồi tệ hơn. Đây là lúc các nhà khoa học dữ liệu cần đào tạo lại mô hình của họ. Ở đây, toàn bộ quá trình về cơ bản bắt đầu lại.

Lộ trình áp dụng ML
Hầu hết các doanh nghiệp làm theo các bước này để áp dụng.

Quản lý và bảo trì ML

Việc quản lý và bảo trì các ứng dụng ML trong doanh nghiệp là một lĩnh vực đôi khi được đưa ra ngắn hạn, nhưng nó có thể là thứ tạo ra hoặc phá vỡ các trường hợp sử dụng.

Chức năng cơ bản của ML phụ thuộc vào các mô hình xu hướng học tập – chẳng hạn như hành vi của khách hàng, hiệu suất cổ phiếu và nhu cầu hàng tồn kho – và dự kiến ​​chúng trong tương lai để đưa ra quyết định. Tuy nhiên, xu hướng cơ bản là liên tục thay đổi, đôi khi hơi, đôi khi đáng kể. Điều này được gọi là trôi dạt khái niệm và nếu các nhà khoa học dữ liệu không tính đến nó trong các mô hình của họ, thì các dự đoán của mô hình cuối cùng sẽ bị tắt.

Cách để sửa lỗi này là không bao giờ xem các mô hình trong sản xuất là xong . Họ yêu cầu một trạng thái xác minh liên tục, đào tạo lại và làm lại để đảm bảo họ tiếp tục cung cấp kết quả.

  • Xác minh. Các nhà khoa học dữ liệu thường sẽ đưa ra một phân đoạn dữ liệu mới, dữ liệu đến và sau đó xác minh dự đoán của mô hình để đảm bảo chúng gần với dữ liệu mới, dữ liệu đến.
  • Đào tạo lại. Nếu kết quả của một mô hình bắt đầu sai lệch đáng kể so với dữ liệu được quan sát thực tế, đã đến lúc phải đào tạo lại mô hình. Các nhà khoa học dữ liệu sẽ cần tìm một bộ dữ liệu hoàn toàn mới phản ánh các điều kiện hiện tại.
  • Xây dựng lại. Đôi khi khái niệm một mô hình ML được cho là dự đoán sẽ thay đổi rất nhiều đến mức các giả định cơ bản đi vào mô hình không còn hợp lệ. Trong những trường hợp này, có lẽ đã đến lúc xây dựng lại hoàn toàn mô hình từ đầu.

MLops

Hoạt động ML, hay MLOps, là một khái niệm mới nổi nhằm chủ động quản lý vòng đời này. Thay vì một cách tiếp cận đặc biệt để xác minh và đào tạo lại khi thích hợp, các công cụ MLOps đưa mỗi mô hình vào một lịch trình để phát triển, triển khai, xác minh và đào tạo lại. Nó tìm cách chuẩn hóa các quy trình này, một thực tế trở nên quan trọng hơn khi các doanh nghiệp biến ML thành một thành phần cốt lõi trong hoạt động của họ.

Xu hướng tương lai

Khi chúng ta nhìn về tương lai của ML, một xu hướng bao trùm chiếm ưu thế. Áp dụng doanh nghiệp sẽ tiếp tục tăng, đưa công nghệ từ tiên tiến trở thành chủ đạo.

Xu hướng đã được tiến hành tốt.

Xu hướng áp dụng AI
Việc áp dụng AI đang phát triển nhanh chóng.

Một cuộc khảo sát năm 2019 từ công ty phân tích Gartner cho thấy 37% doanh nghiệp đã áp dụng một số dạng trí tuệ nhân tạo. Con số này tăng từ 10% trong năm 2015. Theo quỹ đạo hiện tại, ML đang trên con đường trở thành một công nghệ phổ biến trong vài năm tới. Trong bảng xếp hạng 10 xu hướng dữ liệu và phân tích hàng đầu cho năm 2020, công ty phân tích đặt tên “AI thông minh hơn, nhanh hơn và có trách nhiệm hơn” là xu hướng hàng đầu của năm. Báo cáo, lưu ý tầm quan trọng quan trọng của ML và các kỹ thuật AI khác trong việc cung cấp cái nhìn sâu sắc về đại dịch coronavirus toàn cầu, dự đoán rằng vào năm 2024, 75% các tổ chức sẽ chuyển từ thí điểm sang vận hành AI. Do tỷ lệ chấp nhận ML cao trong doanh nghiệp, thị trường công cụ ML đang phát triển nhanh chóng. Công ty phân tích Nghiên cứu và Thị trường dự đoán rằng thị trường ML sẽ tăng lên $ 8,8 tỷ vào năm 2022, từ mức 1,4 tỷ đô la trong năm 2017.

Những lý do cho điều này là rõ ràng. Các công ty thành công nhất hiện nay, như Amazon, Google và Uber, đặt các ứng dụng ML vào trung tâm của mô hình kinh doanh của họ. Thay vì xem ML như một công nghệ dễ có, các doanh nghiệp đầu ngành đang sử dụng công nghệ ML và công nghệ AI là quan trọng để duy trì lợi thế cạnh tranh của họ, như nhà văn công nghệ George Lawton đã khám phá trong ” Tìm hiểu giá trị kinh doanh của các kỹ thuật khác nhau của AI . ”

Những tiến bộ trong học tập sâu – một loại hình ML dựa trên mạng lưới thần kinh – đã đóng một vai trò rất lớn trong việc đưa AI trở thành tiên phong trong doanh nghiệp. Mạng lưới thần kinh là tương đối phổ biến trong các ứng dụng doanh nghiệp ngày nay. Các kỹ thuật học sâu tiên tiến này cho phép các mô hình thực hiện mọi thứ từ nhận dạng đối tượng trong hình ảnh để tạo văn bản ngôn ngữ tự nhiên cho các mô tả sản phẩm và các ứng dụng khác. Ngày nay, có một số loại mạng thần kinh khác nhau, được thiết kế để thực hiện các công việc cụ thể. Như nhà văn công nghệ David Petersson đã giải thích trong ” CNNs so với RNNs: Chúng khác nhau như thế nào và chúng trùng nhau ở đâu “, hiểu được sự độc đáo của các loại thuật toán khác nhau là chìa khóa để tận dụng tối đa chúng.

Bây giờ nó được xem là không thể tránh khỏi rằng một lượng lớn công việc tri thức sẽ được tự động hóa. Ngay cả một số lĩnh vực sáng tạo đang bị xâm nhập bởi các ứng dụng AI điều khiển ML. Điều này đang đặt ra câu hỏi về tương lai của công việc. Trong một thế giới nơi máy móc có thể quản lý quan hệ khách hàng, phát hiện ung thư trong hình ảnh y tế, tiến hành đánh giá pháp lý, thúc đẩy các container vận chuyển trên toàn quốc và sản xuất tài sản sáng tạo, vai trò của công nhân là gì? Những người ủng hộ AI cho biết tự động hóa sẽ giải phóng mọi người để theo đuổi các hoạt động sáng tạo hơn bằng cách loại bỏ các nhiệm vụ vẹt. Nhưng những người khác lo lắng rằng một ổ đĩa không ngừng cho tự động hóa sẽ để lại không gian nhỏ cho công nhân.

Nhà cung cấp và nền tảng

Các doanh nghiệp tìm cách triển khai ML không thiếu các lựa chọn. Không gian ML có sự cạnh tranh mạnh mẽ giữa các công cụ và phần mềm nguồn mở được xây dựng và hỗ trợ bởi các nhà cung cấp truyền thống. Bất kể doanh nghiệp chọn phần mềm ML từ nhà cung cấp hay công cụ nguồn mở, thông thường các ứng dụng sẽ được lưu trữ trong môi trường điện toán đám mây và được phân phối dưới dạng dịch vụ. Có nhiều nhà cung cấp và nền tảng hơn một bài viết có thể nêu tên, nhưng danh sách sau đây cung cấp một cái nhìn tổng quan cấp cao về các dịch vụ từ một số người chơi lớn hơn trong lĩnh vực này.

Công cụ bán hàng

  • Amazon Sagemaker là một công cụ dựa trên đám mây cho phép người dùng làm việc ở một mức độ trừu tượng. Người dùng có thể chạy các thuật toán được sàng lọc trước cho khối lượng công việc đơn giản hoặc tự viết mã cho các ứng dụng mở rộng hơn.
  • Google Cloud là một tập hợp các dịch vụ trải rộng từ các thành phần AI cắm và chạy đến các công cụ phát triển khoa học dữ liệu.
  • IBM Watson Machine Learning được phân phối thông qua đám mây của IBM và cho phép các nhà khoa học dữ liệu xây dựng, đào tạo và triển khai các ứng dụng ML.
  • Microsoft Azure Machine Learning Studio là một công cụ giao diện người dùng đồ họa hỗ trợ xây dựng và triển khai các mô hình ML trên đám mây của Microsoft.
  • Công ty khai thác doanh nghiệp SAS là một dịch vụ ML từ một công ty phân tích truyền thống hơn. Nó tập trung vào việc xây dựng các ứng dụng ML doanh nghiệp và sản xuất chúng một cách nhanh chóng.

Mã nguồn mở

  • Caffe là một khung được thiết kế đặc biệt để hỗ trợ phát triển các mô hình học tập sâu – đặc biệt là các mạng lưới thần kinh.
  • Scikit-learn là một thư viện mã nguồn mở của các mô-đun mã Python cho phép người dùng thực hiện các khối lượng công việc ML truyền thống như phân tích hồi quy và phân cụm.
  • TensorFlow là một nền tảng ML được Google xây dựng và mở nguồn. Nó thường được sử dụng để phát triển mạng lưới thần kinh.
  • Theano ban đầu được phát hành vào năm 2007 và là một trong những thư viện ML lâu đời nhất và đáng tin cậy nhất. Nó được tối ưu hóa để chạy các công việc trên GPU, điều này có thể dẫn đến việc đào tạo thuật toán ML nhanh.
  • Torch là một thư viện ML được tối ưu hóa để đào tạo các thuật toán trên GPU. Nó được xây dựng chủ yếu để đào tạo mạng lưới thần kinh học tập sâu.

Một danh sách đầy đủ hơn về các dịch vụ của nhà cung cấp có thể được tìm thấy trong tổng quan chuyên môn này về các nền tảng ML .

Nhìn chung, hầu hết người dùng ML doanh nghiệp coi các công cụ nguồn mở là sáng tạo và mạnh mẽ hơn. Tuy nhiên, vẫn còn một trường hợp mạnh mẽ cho các công cụ độc quyền, vì các nhà cung cấp cung cấp đào tạo và hỗ trợ thường không có trong các dịch vụ nguồn mở. Nhiều công cụ của nhà cung cấp ngày nay hỗ trợ sử dụng các thư viện nguồn mở, cho phép người dùng có được cả hai thế giới tốt nhất.

Nguuồn Tech target

Góp ý / Liên hệ tác giả