了解机器学习的商业价值机器预测逐渐取代人类做出的预测( 二 ) _机器学习

作者写道：“但是在某个时候，预测机器可能变得如此准确和可靠，以至于改变了组织的工作方式。”这是一个示例：Amazon当前使用机器学习算法来提出销售建议。例如，当搜索Prediction Machines时，这家电子商务巨头的平台使用聚类机器学习算法来显示我可能会感兴趣的其他书籍的列表。

文章插图

亚马逊使用机器学习来提出建议。
希望（对于亚马逊），这些建议可以说服我购买一本书而不是两本书。需要明确的是，亚马逊的建议非常不错。实际上，我经常在亚马逊上搜索旧书以发现新的相关书名。
但是在某些时候，预测将变得如此精确，以至于将导致公司业务模式的重大转变。目前，亚马逊使用先购物后发货的模式。您在amazon上购买商品，公司会尽力将购买的商品尽快送到您的家中。
先买后买是另一种商业模式：亚马逊使用机器学习来预测您的需求，然后将其运送到您的家中。如果需要这些物品，则购买它们，如果不需要，则由公司承担退还费用。仅当预测准确性超过某个阈值以使其对亚马逊有利时，该模型才有效。
机器学习和数据的价值

文章插图

在学术界，大多数AI研究都专注于创建可以对已建立的数据集（例如ImageNet，CLEVR或SQUAD）执行任务的算法。但是在实际应用中，获得正确的数据以训练和维护机器学习算法时，还有许多其他细微差别。
Prediction Machines的作者做了出色的工作，为机器学习算法处理数据的经济学带来了神秘化。预测机器依赖于数据。更多更好的数据可以带来更好的预测。从经济角度来讲，数据是预测的关键补充。随着预测变得越来越便宜，它变得越来越有价值。
但是他们还强调，收集质量数据既昂贵又费时，并且经营一家AI公司需要在获取更多数据的利益和获取数据的成本之间进行权衡。统计学家和机器学习从业者都知道，数据的规模收益递减。当您在更多数据上训练机器学习算法时，准确性提高的速度会变慢。第三个数据点提供的信息比百分之一百多，后者又比百分之一有用。
作者提醒我们，但是当您使用机器学习来开展业务时，情况会有所不同，因为从经济角度来看，重要的是从预测中获得的价值。因此，如果更多的数据可以改善您的机器学习算法，从而使您在竞争者中脱颖而出（想一想从购物然后运输到运输然后购物的转变），那么可能值得投资。
这就是为什么我们看到Facebook和google等技术巨头进行军备竞赛，以收集可以增强其AI算法的数据。商业领导者还必须了解，本身拥有大量数据并不一定会让您处于开发强大的机器学习算法的正确位置。数据分为三类：训练，输入和反馈。您需要全部三个来为您的业务开发和维护高效的机器学习模型。
例如，拥有大量历史销售记录可能会为预测销售数字的机器学习模型构成一个很好的培训数据集。但是，要不断提高模型的性能，还需要获取新数据（输入）并将新的预测与实际客户行为（反馈）进行比较的方法。除了技术创新外，这还需要一种业务策略。
数据和预测机器是补充。因此，除非有足够的数据来采购或开发AI，否则其价值有限。”作者写道。“如果这些数据与其他人在一起，则需要一种策略来获取它。如果数据驻留在独家或垄断提供商的手中，那么您可能会面临使该提供商占用您AI的全部价值的风险。如果数据归竞争对手所有，则可能没有任何策略值得从竞争对手那里获取。如果数据归消费者所有，则可以交换数据以换取更好的产品或更高质量的服务。”
预测与判断之间的区别

文章插图

Prediction Machines中讨论的另一个关键主题是，在预测和判断之间划清界限，在AI和人类之间分工。预测不是决定。做出决定需要先对预测做出判断，然后采取行动。我认为这是至关重要的一点。对于每个业务领导者来说，重要的是要了解机器学习算法的潜力，同时也要认识到它们的缺点以及需要依靠人工智慧和决策的地方。
随着机器预测逐渐取代人类做出的预测，人类预测的价值将下降。但是关键是，尽管预测是任何决策的关键组成部分，但它并不是唯一的组成部分。决策的其他要素（判断，数据和行动）目前仍牢牢地存在于人类领域。它们是对预测的补充，这意味着随着预测变得便宜，它们的价值也会增加。