Машинное обучение — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение, в процессе применения решений множества сходных задач.
Для построения таких методов используются средства математической статистики, численных методов, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.
Машинное обучение – это не единый алгоритм, который работает с любым массивом информации. Решения, использующие эту технологию, производят множество расчетов и сравнений каждую секунду, чтобы предоставить максимально точные результаты. Чем больше данных изучает компьютер, тем выше точность.
Чтобы запустить подобное решение у себя в компании, необходимо выполнить четыре условия:
Компания хочет частично автоматизировать подбор персонала. Для этого создает систему с простым алгоритмом. Чтобы обучить компьютер, для каждого объекта анализа устанавливается влияние его признаков на конечный результат. После этого система использует для изучения и оценки данные о должности: обязанности, требования, условия.
Обучившись, система анализирует резюме со всех рекрутинговых сайтов и оценивает их на соответствие предложенной вакансии по 4 критериям: зарплата, опыт, возраст, образование. Система ставит оценку от 1 до 5 по каждому параметру, суммирует их и одобряет соискателей с рейтингом 20 баллов и выше.
Все это происходит за несколько секунд. Сотрудникам больше не нужно тратить дни или недели, чтобы найти подходящих людей для работы — система сделает все сама.
Перед внедрением решения с использованием машинного обучения определите максимально конкретно: какую задачу вы хотите решить с помощью этой технологии. Многие компании ждут от машинного обучения решения всех проблем, в таких случаях конкретных результатов добиться крайне трудно.
Лучше выбрать одну проблему или задачу, например:
Предположим, у вас есть необходимые данные и вы уже сформулировали ожидаемые результаты. Теперь нужно выбрать метод обработки данных. Для этого необходима помощь аналитика данных (Data scientist).
Он изучит данные, задаст вопросы, определит целевые переменные для моделей расчетов и подберет нужные методы моделирования. Обычно это такие методы как классификация, регрессия, деревья решений, случайный лес, факторный анализ, сегментирование, временные ряды, ассоциативные правила, нейронные сети, оптимизационные методы, имитационное моделирование.
После того как вы поняли, какие данные и методы моделирования вы будете использовать, необходимо подобрать подходящие решения.
Мы объединили их в один продукт ML. Сюда входит 10 API сервисов в виде обученных моделей данных. С их помощью можно реализовывать различные сценарии по распознаванию изображений, текстов и многое другое.
В ML Apps мы собрали набор готовых независимых приложений, который постоянно пополняется:
Cash Application — автоматическое сведение платежей и счетов, сокращающее массу времени бухгалтера на выполнение рутинной задачи.
Brand Impact — мониторинг показа брендов в телетрансляциях в режиме реального времени. Выгода — замена человеческого ресурса, сокращение времени предоставления отчета по трансляции от
Customer Retention — модели удержания клиентов. Выгода — новые алгоритмы дают более высокую точность вычислений, снижение требований к подготовке данных.
Service Ticketing — автоматическая категоризация входящих текстовых обращений. Выгода — сокращение затрат за счет автоматического решения большей части проблем и инцидентов.
Resume Matching — сопоставление резюме и должностной инструкции. Выгода — автоматическая массовая обработка текстов резюме для предварительного отбора кандидатов, сокращение временных затрат сотрудников кадровых служб.
CoPilot — цифровой мобильный ассистент сотрудника. Доступ ко всем нужным системам.