Machine learning w biznesie

Spis treści

Czytasz teraz:

Machine learning w biznesie

• Machine learning – co to jest?
  • Machine learning w codziennym życiu
• Gdzie jeszcze działają algorytmy samouczące się?
  • Automatyczne optymalizacje w Google Ads
  • Do czego możesz wykorzystać machine learning?
  • Rodzaje maszyn samouczących się
  • Czy algorytmy się mylą?

Zamknij

Strategie, planowanie, analiza danych – to dziś w biznesie działania konieczne, żeby się rozwijać i nie pozostawać w tyle za konkurencją. Przetwarzanie takiej ilości informacji, jaką dostarcza nam internet, dawno jednak przerosło możliwości człowieka – po prostu nie jesteśmy w stanie w krótkim czasie przeanalizować tylu zmiennych, by maksymalnie wykorzystać informacje do zwiększenia zysku przedsiębiorstwa. Dlatego coraz częściej, zamiast mozolnie śledzić dane, wykorzystujemy w biznesie machine learning. 

Machine learning – co to jest?

Machine learning to obszar badań nad algorytmami, które potrafią same się uczyć dzięki analizie zebranych danych. Maszyny samouczące się mogą na przykład gromadzić informacje o pewnych zachowaniach użytkowników internetu i sprowadzić je do ogólnych schematów, a na podstawie tego oszacować z dużym prawdopodobieństwem, jak zachowają się oni w przyszłości. Można więc powiedzieć, że algorytmy uczą się na podstawie własnych doświadczeń. 

Wyjaśnijmy to w nieco prostszy sposób. Przypuśćmy, że mamy algorytm, który powinien odróżniać zdjęcia psów od zdjęć kotów. Żeby go tego nauczyć, dajemy mu tzw. dane testowe, czyli bazę zdjęć jednych i drugich zwierząt, oczywiście ze wskazaniem, które z nich znajduje się na fotografii. Algorytm analizuje te zdjęcia i uczy się, jakie cechy są charakterystyczne dla kota, a jakie dla psa. Kiedy już to wie, może dostać zupełnie inne zdjęcie, spoza testowej bazy, a i tak będzie w stanie wskazać, które zwierzę się na nim znajduje – bo doświadczenie mu to podpowie.

Oczywiście jednak algorytm musi mieć sporo informacji, żeby nie popełniać błędów. Jeśli damy mu do analizy 10 zdjęć rottweilerów i 10 zdjęć kotów dachowców, może nie być w stanie prawidłowo wskazać, czym jest york. Po prostu nie ma wtedy danych, na podstawie których mógłby wywnioskować, że pies może być mniejszy, inaczej zbudowany itd. Jeśli jednak w bazie maszyny samouczącej znajdą się miliony zdjęć przeróżnych ras psów i kotów, jej “doświadczenie” będzie na tyle duże, że będzie w stanie niemal bezbłędnie katalogować kolejne fotografie.

(Dalszą część artykułu znajdziesz pod formularzem)

Machine learning w codziennym życiu

Takie algorytmy otaczają nas w codziennym życiu w wielu sytuacjach. Korzystamy z nich niemal wszyscy, choć często nie zdajemy sobie nawet z tego sprawy. Przykładem może być tutaj poczta e-mail. Codziennie dostajemy na nią ważne wiadomości, powiadomienia z aplikacji i stron internetowych, a także zupełnie śmieciowe mejle. To właśnie takie maszyny na podstawie wielu danych określają, które z wiadomości mają trafić do skrzynki głównej, które do zakładki społeczności, a które po prostu do spamu.

Z maszyn samouczących się korzysta też na przykład Uber. Analizując wcześniejsze przejazdy w danym przedziale czasowym, dniu tygodnia, mieście itp., algorytm przewiduje, gdzie najprawdopodobniej zainteresowanie usługą będzie w najbliższym czasie największe. Potem system wysyła w te miejsca wolnych kierowców, żeby skrócić czas oczekiwania na podwózkę i zwiększyć liczbę przejazdów. Uber korzysta z algorytmów również w innych aspektach, między innymi przy szacowaniu czasu przyjazdu czy ceny za usługę. 

Innym gigantem, który wykorzystuje machine learning, jest Facebook. Algorytmy na podstawie naszych zachowań w mediach społecznościowych wyświetlają nam te reklamy i posty, którymi najprawdopodobniej będziemy zainteresowani. Biorą przy tym pod uwagę nawet te reakcje, z których sami możemy nie zdawać sobie sprawy – nawet nieco wolniejsze scrollowanie przy konkretnym materiale. 

Gdzie jeszcze działają algorytmy samouczące się?

Na co dzień widzimy też działanie maszyn samouczących się chociażby w serwisie Netflix, gdy platforma proponuje nam do obejrzenia filmy i seriale. Algorytmy analizują opisy materiałów wideo, grupując je w mikrokategorie, a następnie na podstawie naszych wcześniejszych wyborów proponują kolejne pozycje, które prawdopodobnie najbardziej przypadną nam do gustu. Rekomendacje pokazywane są zresztą nie tylko na podstawie obejrzanych produkcji, ale też naszych zachowań na innych portalach – między innymi na Facebooku (np. polubienia). 

Firma American Express używa z kolei uczenia maszynowego do zapewniania bezpieczeństwa swoim klientom. Algorytmy służą jej do analizy dokonywanych transakcji i wykrywania wśród nich anomalii, czyli opłat odbiegających tematycznie czy pod względem kwoty od innych. Przy każdym niepokojącym działaniu na koncie zgłaszają podejrzenie oszustwa, by nie dopuścić do żadnych dalszych nadużyć. 

Automatyczne optymalizacje w Google Ads

Z uczenia maszynowego korzysta również chociażby system Google Ads, by zapewnić klientom jak największe zyski z kampanii. Jak to działa? Kiedy ustawimy kampanię, algorytmy uczą się, jak zachowują się jej odbiorcy, kiedy są aktywni, jakie teksty reklam przynoszą najwięcej konwersji. Z zebranych danych wyciągają prawidłowości i optymalizują reklamy, by przynosiły jak najlepszy efekt. Ich działanie objawia się w stosowaniu ulepszonego CPC, inteligentnych strategiach ustalania stawek czy reklamie elastycznej w sieci wyszukiwania. Jeśli na przykład z jakiegoś powodu wzrośnie nagle zainteresowanie Twoim produktem lub usługą, mogą niemal natychmiast dostosować stawki tak, byś odniósł z tego jak największą korzyść. Tak samo w reklamie elastycznej algorytmy wybierają najlepiej działające nagłówki i teksty reklam, by zmaksymalizować konwersję.

Maszyny samouczące się non stop monitorują wszystkie reklamy i wprowadzają mnóstwo optymalizacji dziennie. Każda z nich, nawet bardzo drobna, sprawia, że budżet wykorzystywany jest lepiej, dzięki czemu za tę samą kwotę można pozyskać więcej klientów. Im więcej danych ma szansę zebrać taka maszyna, tym lepiej prognozuje przyszłe wydarzenia, a tym samym dopracowuje kampanię. Takie algorytmy same podejmują decyzje i wprowadzają zmiany, dlatego dają reklamodawcom więcej czasu na inne działania promocyjne, niezwiązane z kampaniami AdWords/ Google Ads. 

Do czego możesz wykorzystać machine learning?

Machine learning można wykorzystać w biznesie do usprawnienia wielu procesów. Za pomocą algorytmów możesz na przykład śledzić trendy w biznesie i ustalać strategie działania. Na podstawie zebranych danych dowiesz się, kiedy Twoje produkty zyskują popularność i zaplanujesz pod te tendencje swoje kampanie reklamowe czy inne działania marketingowe. Odpowiedni system samouczący się pozwala też na przykład tworzyć listę najlepszych klientów firmy. Na podstawie interakcji ze stroną czy innymi kanałami komunikacji można stwierdzić, do której grupy odbiorców najlepiej skierować komunikaty sprzedażowe. 

Uczenie maszynowe może też służyć mierzeniu, na ile efektywni są pracownicy firmy i jak zmieniające się warunki (na przykład praca zdalna) wpływają na wydajność poszczególnych osób. Niektórzy przedsiębiorcy używają też sztucznej inteligencji, by planować rozwój swojego biznesu. Maszyny na podstawie zgromadzonych danych mogą jeszcze przed podjęciem nowej inicjatywy oszacować, jakie jest prawdopodobieństwo, że będzie ona korzystna dla firmy. 

Rodzaje maszyn samouczących się

Opisany wcześniej przykład ze zdjęciami psów i kotów pokazuje uczenie się nadzorowane maszyn. W tym wypadku algorytmy wiedzą, jaki ma być efekt ich działań – na przykład, że mają odróżnić kota od psa. W tym modelu działania sprawdzają więc one, które cechy obu zwierząt będą przydatne w porównaniach, żeby ten cel zrealizować. Ten typ uczenia maszynowego można wykorzystać do klasyfikowania obrazów, rozpoznawania mowy czy chociażby segmentacji klientów firmowych. 

Kolejny typ machine learningu to uczenie nienadzorowane. W takim wypadku algorytmy nie dostają od obsługującego ich człowieka “celu”, który powinny osiągnąć po przetworzeniu materiału. Analizują zgromadzone informacje i szukają między nimi relacji oraz schematów i formułują na ich podstawie wnioski. Opiekujący się tym systemem człowiek nie jest w stanie przewidzieć, jaki będzie rezultat pracy maszyny, bo przypomina ona po prostu ludzką obserwację otoczenia. Ten system uczenia maszynowego można wykorzystywać na przykład do wykrywania anomalii czy nieprawidłowości. 

Wersją pośrednią jest uczenie częściowo nadzorowane, które polega na tym, że maszyny dostają i dane oznaczone, z założeniem, czego maszyna ma się nauczyć, i nieoznaczone, gdzie sama musi znaleźć elementy wspólne i wysnuć z nich wnioski. 

Czy algorytmy się mylą?

Algorytmy samouczące się oczywiście mogą się pomylić w swoich przewidywaniach i podjąć niekorzystną decyzję – tak samo jak może się to zdarzyć człowiekowi. Dzieje się tak jednak z reguły wyłącznie na początku działania maszyny lub w przypadku gdy algorytm ma do dyspozycji bardzo mało danych. Dlatego nie można zakładać, że efekt działania “młodego” algorytmu będzie spektakularny już w pierwszej fazie. Im więcej czasu na zbieranie informacji, tym lepsze wyniki, co łatwo zaobserwować w przypadku wielu aplikacji, stron i wyszukiwarek dostępnych na rynku. 

Algorytmy mogą być więc zawodne, ale mniej niż człowiek, u którego przy analizie danych wchodzi w grę wiele ograniczeń takich jak subiektywizm, zmęczenie czy dekoncentracja. Myśląc więc o rozwijaniu biznesu w dzisiejszych czasach, nie można lekceważyć roli, jaką grają współcześnie maszyny samouczące się – są one elementem, który może decydować o sukcesie lub porażce przedsiębiorstwa.