Machine learning
Uczenie maszynowe - programy uczące się z danych zamiast być ręcznie zaprogramowane.
Uczenie maszynowe, czyli machine learning, to część AI, w której model wyznacza zależności na podstawie danych, zamiast polegać wyłącznie na regułach ręcznie zapisanych przez programistę.
Przykład: piekarnia we Wrocławiu chce przewidywać, ile bułek sprzeda następnego dnia. Ma historię sprzedaży, informacje o dniach tygodnia, godzinach otwarcia i lokalnych wydarzeniach. Model może szukać w tych danych wzorców. Nie wie jednak automatycznie, że jutro ulicę zamkną roboty drogowe, jeżeli ta informacja nie trafiła do systemu.
Czym to się różni od zwykłej reguły
Reguła „w sobotę przygotuj o 20% więcej” została ustalona przez człowieka. Model uczący się na danych dopasowuje zależność, wykorzystując wiele obserwacji. Oba podejścia mogą być użyteczne. Jeżeli prosta reguła daje dobry wynik i łatwo ją kontrolować, nie trzeba zastępować jej skomplikowanym modelem tylko dlatego, że można.
AI jest pojęciem szerszym niż uczenie maszynowe. Z kolei sieci neuronowe stanowią jedną z rodzin modeli używanych w ML. Do małej tabeli sprzedaży można rozważać także regresję lub drzewa decyzyjne. Nie każde zadanie wymaga dużego modelu językowego, GPU i milionów zdjęć.
Trzy sposoby uczenia na prostych przykładach
W uczeniu nadzorowanym pokazujesz wejście i poprawny wynik: cechy dnia oraz faktyczną sprzedaż bułek. Model uczy się przewidywać liczbę. Jeżeli wynikiem jest kategoria, na przykład „zwrot” lub „pytanie o dostawę”, mówimy o klasyfikacji; przewidywanie liczby to regresja.
W uczeniu nienadzorowanym nie dostarczasz gotowej etykiety dla każdego przykładu. Możesz szukać grup dni o podobnym przebiegu sprzedaży. Samo znalezienie grup nie mówi jeszcze, jak powinny się nazywać ani jaką decyzję podjąć. Interpretacja wymaga sprawdzenia, co model rzeczywiście połączył.
Uczenie ze wzmocnieniem polega na uczeniu strategii działania na podstawie nagród otrzymywanych w środowisku. Źle określona nagroda może prowadzić do niepożądanych zachowań. Te podstawowe kategorie opisuje wprowadzenie Google do uczenia maszynowego. W praktyce istnieją też metody łączące różne sposoby uczenia.
Jak przeprowadzić mały, uczciwy test
Zdefiniuj cel i moment prognozy. Piekarnia planuje produkcję poprzedniego wieczoru, więc model może użyć tylko informacji znanych do tego momentu. Rzeczywista pogoda następnego dnia nie jest tym samym co prognoza dostępna wieczorem.
Sprawdź znaczenie danych. Sprzedane 300 bułek może oznaczać popyt na 300 sztuk albo wyczerpanie całego zapasu przed południem. Model uczony na samej sprzedaży nie odróżni tych sytuacji bez dodatkowej informacji. Błędna interpretacja kolumny może zepsuć wynik bardziej niż wybór algorytmu.
Oddziel starszy okres do nauki od późniejszego okresu do sprawdzenia. Przy szeregu czasowym losowe wymieszanie dni może dawać obraz inny niż prawdziwe przewidywanie przyszłości. Nie pozwól też, by późniejsze dane wpłynęły na przygotowanie wcześniejszych przykładów.
Zbuduj punkt odniesienia, na przykład średnią z kilku poprzednich sobót. Następnie porównaj z nią model na tych samych dniach. Jeśli nowa metoda nie pomaga, nie wdrażaj jej tylko za używanie AI.
Policz błędy w jednostkach zrozumiałych dla firmy. Ile sztuk zabrakło, ile zostało i jaki był koszt? Średnia może ukrywać wyjątkowo zły wynik w dzień największej sprzedaży. Przejrzyj osobno święta, promocje i dni z ograniczonym otwarciem.
Przetestuj sugestie bez automatycznej zmiany produkcji. Zapisuj prognozę, decyzję pracownika i późniejszy rezultat. Taki przebieg pokaże, kiedy system pomaga, a kiedy potrzebuje informacji, której nie ma w tabeli.
Dlaczego wynik pogarsza się po kilku miesiącach
Zmiana cen, nowy konkurent lub inny rozkład zajęć w pobliskiej szkole mogą zmienić sprzedaż. Model nie ma gwarancji, że stare zależności będą wieczne. Monitoruj jakość na nowych danych, sprawdzaj źródło pogorszenia i dopiero wtedy decyduj o aktualizacji. Samo dopisywanie kolejnych wierszy do pliku nie oznacza, że program automatycznie się na nich uczy.
Najczęstszy błąd: sprawdzanie na tym, z czego model się uczył
Wysoki wynik na danych treningowych może oznaczać zapamiętanie przykładów, a nie umiejętność przewidywania. Zachowaj osobne dane do końcowej oceny i nie dopasowuj do nich rozwiązania po każdej próbie. Zasady dzielenia danych Google pomagają odróżnić rozwijanie modelu od jego rzetelnego sprawdzenia. Najważniejszy wynik pochodzi z warunków, w których system ma naprawdę pracować.