Machine learning je oblasť umelej inteligencie, kde sa počítačové systémy učia z dát bez toho, aby boli explicitne naprogramované na každú situáciu. Namiesto pevne definovaných pravidiel algoritmus sám identifikuje vzory v dátach a na základe nich vytvára predikcie alebo rozhodnutia. V praxi to znamená, že systém sa zlepšuje s každým ďalším príkladom, čím viac dát spracuje, tým presnejšie výsledky poskytuje.
Pre firmy je strojové učenie relevantné vtedy, keď majú dostatok dát a opakujúce sa rozhodnutia, ktoré by inak robil človek manuálne. Typicky ide o personalizáciu obsahu pre zákazníkov, predikciu odchodu klientov, automatizáciu zákazníckej podpory alebo detekciu podvodov. Ak máte e-shop s tisíckami produktov a desaťtisíckami návštevníkov mesačne, machine learning vie navrhovať produkty relevantnejšie ako statické pravidlá typu „kto kúpil X, kúpil aj Y".
Machine learning funguje na princípe učenia z príkladov. Algoritmus dostane vstupné dáta (napríklad históriu nákupov zákazníkov) spolu s výstupmi (či zákazník nakúpil znova alebo odišiel). Z týchto príkladov sa naučí rozpoznávať vzory, ktoré vedú k určitému výsledku. Keď potom dostane nové dáta o zákazníkovi, ktorého ešte nevidel, dokáže predikovať jeho správanie.
Proces má tri základné fázy. Najprv prebieha trénovanie, algoritmus spracuje historické dáta a hľadá súvislosti. Potom nasleduje validácia, kde sa overí, či model funguje aj na dátach, ktoré počas tréningu nevidel. Nakoniec ide o nasadenie do produkcie, kde model spracováva reálne dáta v reálnom čase. Dôležité je, že model nie je statický — priebežne sa dotrénováva novými dátami, aby reflektoval zmeny v správaní zákazníkov.
Praktický príklad: e-shop s oblečením má 50 000 zákazníkov a ročne 200 000 objednávok. Machine learning model analyzuje históriu nákupov, prehliadanie produktov, čas strávený na stránke a demografické údaje. Na základe toho predikuje, ktoré produkty konkrétny zákazník pravdepodobne kúpi. Podľa štúdie McKinsey personalizované odporúčania zvyšujú konverziu v priemere o 10-15% oproti generickým návrhom.
Artificial intelligence (umelá inteligencia) je zastrešujúci pojem pre akýkoľvek systém, ktorý simuluje ľudskú inteligenciu. Machine learning je podmnožina AI, konkrétna metóda, ako dosiahnuť inteligentné správanie systému. Vzťah medzi nimi je ako medzi vozidlom a autom: každé auto je vozidlo, ale nie každé vozidlo je auto.
V praxi to znamená, že keď niekto hovorí o AI v kontexte biznisu, väčšinou má na mysli práve machine learning alebo jeho pokročilejšiu formu, deep learning. Chatboty, odporúčacie systémy, prediktívna analytika — to všetko sú aplikácie machine learningu, hoci sa bežne označujú ako „AI riešenia". Rozdiel je skôr akademický ako praktický, ale pomáha pri výbere správnych nástrojov. Ak potrebujete systém, ktorý sa učí z dát a zlepšuje sa, hľadáte ML riešenie. Ak potrebujete systém, ktorý nasleduje presne definované pravidlá (aj keď zložité), ide o klasickú automatizáciu.
Strojové učenie sa delí na tri základné typy podľa toho, aké dáta máte k dispozícii a čo potrebujete dosiahnuť. Výber správneho typu je kľúčový, použitie nevhodného prístupu na váš problém znamená zbytočne vynaložené zdroje a slabé výsledky.
Algoritmus sa učí z označených dát, vie, aký výstup má očakávať. Máte históriu emailov, kde je každý označený ako spam alebo legitímny. Model sa naučí, podľa čoho rozlíšiť spam, a potom aplikuje naučené pravidlá na nové emaily. Tento typ je najpoužívanejší v biznise, pretože väčšina firiem má historické dáta s výsledkami — či zákazník kúpil, či odišiel, či reklamoval.
Typické použitie: predikcia odchodu zákazníkov, klasifikácia zákazníckych požiadaviek, odhaľovanie podvodných transakcií, predikcia cien.
Algoritmus nemá označené dáta, hľadá vzory a štruktúry sám. Nepovieme mu „toto sú VIP zákazníci a toto bežní", ale necháme ho, nech sám identifikuje skupiny zákazníkov so podobným správaním. Výsledkom je segmentácia, ktorú by človek nikdy neobjavil, pretože model vidí súvislosti naprieč desiatkami premenných súčasne.
Typické použitie: segmentácia zákazníkov, detekcia anomálií v dátach, analýza nákupného košíka, redukcia dimenzionality dát pre ďalšiu analýzu.
Algoritmus sa učí metódou pokus-omyl. Dostáva odmenu za správne rozhodnutia a trest za zlé. Postupne optimalizuje svoju stratégiu, aby maximalizoval odmenu. Tento typ sa používa menej v klasickom biznise, viac v robotike, hrách a autonomných systémoch.
Typické použitie: optimalizácia cien v reálnom čase, riadenie skladu, personalizácia obsahu s okamžitou spätnou väzbou, herné AI.
Strojové učenie už dávno nie je záležitosť len technologických gigantov. Praktické aplikácie dnes využívajú firmy naprieč odvetviami, často bez toho, aby si to uvedomovali, prostredníctvom služieb tretích strán, ktoré ML používajú pod kapotou.
V kontexte webov a e-shopov je najčastejšie využitie v personalizácii, odporúčacie systémy, personalizovaný obsah na základe správania, predikcia, ktorý zákazník pravdepodobne nakúpi a ktorý potrebuje dodatočný impulz (zľavu, email). Pritvorbe e-shopov vidíme rastúci dopyt po integrácii týchto funkcionalít, najmä u klientov s väčším objemom transakcií.
Machine learning nie je kúzelná palica, ktorú zapnete a funguje. Vyžaduje niekoľko predpokladov, bez ktorých investícia do ML nedáva zmysel.
Dostatok kvalitných dát je základ. Model sa učí z historických príkladov, ak ich nemáte dosť, výsledky budú nespoľahlivé. Pre predikciu odchodu zákazníkov potrebujete minimálne stovky príkladov zákazníkov, ktorí odišli, aj tých, ktorí zostali. Čím komplexnejší problém riešite, tým viac dát potrebujete. Pri jednoduchšej klasifikácii postačí tisíce príkladov, pri komplexných úlohách ako rozpoznávanie obrazu idú počty do miliónov.
Jasne definovaný problém je druhý predpoklad. „Chceme používať AI" nie je problém. „Chceme znížiť odchod zákazníkov o 20%" je problém. „Chceme automaticky kategorizovať prichádzajúce emaily do 5 kategórií" je problém. Čím konkrétnejšie viete povedať, čo má model robiť a ako zmeriate úspech, tým vyššia šanca na úspešnú implementáciu.
Infraštruktúra a expertíza sú posledným pilierom. Potrebujete niekoho, kto rozumie dátam, vie pripraviť ich pre model, vybrať správny algoritmus, natrénovať ho a nasadiť do produkcie. Dnes existujú no-code a low-code riešenia, ktoré sprístupňujú ML aj firmám bez dátových vedcov, ale pre seriózne nasadenie stále potrebujete človeka, ktorý rozumie tomu, čo sa deje pod kapotou.
Vidíme ich opakovane, firmy investujú do machine learning projektov, ktoré zlyhajú nie kvôli technológii, ale kvôli fundamentálnym chybám v prístupe.
Ak uvažujete o využití strojového učenia vo firme, nezačínajte ambicióznym projektom. Začnite tam, kde máte dáta a kde je jasný business case.
Prvý krok je audit dát. Čo zbierame? V akej kvalite? Máme historické údaje s výsledkami, ktoré chceme predikovať? Bez tohto základu nemá zmysel pokračovať. Ak máte správne nastavený tracking a analytiku na webe, pravdepodobne už máte dostatočné dáta pre základné ML experimenty.
Druhý krok je identifikácia use case. Hľadajte problémy, ktoré sú repetitívne, kde rozhodujete na základe dát a kde malé zlepšenie má veľký dopad. Odporúčania produktov, predikcia dopytu, segmentácia zákazníkov, to sú osvedčené štartovacie projekty.
Tretí krok je výber prístupu. Pre prvé experimenty využite hotové služby. Google Cloud AI, AWS Machine Learning, Azure ML. Ponúkajú predtrénované modely a jednoduché rozhrania. Až keď overíte, že ML prináša hodnotu, investujte do custom riešenia.
V BigWay pomáhame firmám s integráciou ML do webov a e-shopov, od jednoduchých odporúčacích systémov po komplexnejšie personalizačné riešenia. Ak riešite, či a ako využiť strojové učenie pre váš biznis, pozrite sinaše projekty z praxe alebo nás kontaktujte a prejdeme váš projekt spolu.
