Машинное обучение (ML)

Машинное обучение — раздел ИИ, в котором система выводит своё поведение из данных, а не из правил, написанных программистом. Вы не сообщаете ей, что письма с определёнными фразами являются спамом; вы показываете большой набор писем, уже помеченных как спам или не спам, а процесс оптимизации подстраивает внутренние параметры модели, пока её предсказания не совпадут с этими метками достаточно хорошо, чтобы обобщаться на письма, которых она не видела. Этот сдвиг — от описания логики к описанию примеров и цели — и есть вся идея. Оно делится на несколько семейств, которые стоит различать, потому что им нужны разные данные и они отвечают на разные вопросы. Обучение с учителем требует размеченных примеров и предсказывает метку или число: сконвертируется ли этот триал, к какой категории относится тикет, за сколько продастся дом. Обучение без учителя работает без меток и вместо предсказания находит структуру: разбивает клиентов на сегменты, помечает аномалии. Обучение с подкреплением учится на сигнале вознаграждения, возникающем при действиях в среде, — так модели подстраивают под человеческие предпочтения и так тренируют игровые и робототехнические системы. Глубокое обучение — не четвёртое семейство, а техника: нейросети с множеством слоёв, применимые внутри любого из них. Для SaaS-команды трудность редко в алгоритме — он обычно сводится к вызову библиотеки. Трудность в данных и оценке: достаточно ли у вас размеченных примеров, отражающих реальный трафик; не просочилась ли в обучающие данные информация, которой у модели не будет в момент предсказания; и измеряете ли вы результат на данных, на которых модель не училась. Классический провал — модель, блестящая в ноутбуке и слабая в продакшене, и причина почти всегда одна из этих трёх, а не неудачный выбор архитектуры. Полезно знать, где ML — неподходящий инструмент. Если правило известно и стабильно — налоговые ставки, пороги доставки, проверки прав, — напишите правило. ML оправдывает свою сложность, когда закономерность реальна, но слишком запутана или слишком подвижна, чтобы её выписать, и когда вы готовы иногда ошибаться.