Машинное обучение (ML) проникало в нашу жизнь небольшими, но все чаще и чаще способами, о которых мы не подозреваем, и, возможно, даже симпатичными способами… возможно, даже принимаем их как должное.

Машинное обучение не всегда должно касаться сверхсложных / сверхмощных алгоритмов. (Нельзя сказать, что любой из приведенных ниже примеров прост).
По моим наблюдениям, на начальном этапе результаты на основе машинного обучения, в которых слишком многое поставлено на карту, отталкивают пользователей, поскольку они предпочитают следовать своей интуиции, а не алгоритмическим выводам, которым они не доверяют. Мы рискуем упустить возможность создавать новые средства взаимодействия пользователей и работы с их системами / решениями.

Вместо этого, если бы мы вводили функции на основе машинного обучения медленно и небольшими частями, это могло бы способствовать привлечению пользователей к системе, чтобы точно использовать эти функции для облегчения их работы.

Ниже приведены несколько примеров из мира (потребительского) программного обеспечения, которые мне особенно нравятся:

Предиктивная клавиатура

Хотя в особых случаях это может раздражать, но в 80% случаев это позволяет довольно легко печатать с помощью этой функции.

Прогнозные ответы

У LinkedIn есть действительно простой способ использовать функцию обмена сообщениями. Это позволяет очень быстро реагировать на людей.

Прогнозные размеры

Это одно из последних, на которые я наткнулся. Заказывая обувь через Zalando.de, они рекомендуют размер, который я должен заказать.

Мне кажется, это может быть немного сложнее, чем в двух предыдущих примерах. Однако, если это основано на моей истории покупок и возврате из-за размеров, конструкции обуви (например, узкая / широкая и т. Д.), Я, вероятно, мог бы последовать их рекомендации. (Этот ботинок сейчас в моей тележке - возможно, мне стоит проверить алгоритм :-P)

В основе всего этого, конечно же, лежит качество исторических данных. Плюс модели и т. Д.

Мир корпоративного программного обеспечения находится на другой стадии. Различные отрасли находятся на разных этапах внедрения и продуктивного использования результатов, основанных на машинном обучении.

В отраслях, которые просто тестируют воду, я действительно считаю, что ML следует внедрять небольшими способами - без критических (для бизнеса) последствий в случае неточных результатов / неправильных решений, основанных на алгоритмических результатах. Например. Предложение / прогнозирование логических (на основе исторических данных / частоты и т. Д.) Следующих задач; извлечение и представление разрозненной, но связанной с контекстом информации и т. д. Машинному обучению необходимо проникать почти незаметно.

Важно избавиться от страха пользователей основывать свои решения на результатах, основанных на машинном обучении. Особенно, когда эти пользователи почти всегда являются экспертами в своем деле.

Пища для размышлений!