Mashina o'rganishga vizual kirish (2015)

Ma'lumotlarni ko'rish sehri: Mashina o'rganishga vizual kirish

2015-yilda Stefani Ye va Toni Chuning muhim interaktiv maqolasi ajoyib ishlarni amalga oshirdi: u Machine Learning (ML) dan foydalanishga imkon berdi. Ular zich tenglamalarga yoki mavhum nazariyaga tayanmagan. Buning o'rniga ular oddiy, kuchli vositadan - vizualizatsiyadan foydalanib, mashinalar ma'lumotlardan qanday qilib "o'rganadi". Ushbu vizual yondashuv murakkab maydonni yo'qotib, uni ma'lumotlar landshaftida naqshlarni topish va chegaralarni chizish jarayoni sifatida ko'rsatdi. Ma'lumotlar qarorlar qabul qilish uchun turtki bo'lgan bugungi ish dunyosida bu asosiy tushunchani tushunish endi faqat ma'lumotlar olimlari uchun emas. Bu operatsiyalarni soddalashtirish, mijozlar tajribasini shaxsiylashtirish yoki bozor tendentsiyalarini bashorat qilishni istaganlar uchun. Turli biznes modullari maʼlumotlarini birlashtirgan Mewayz kabi platformalar ushbu aqlli tizimlarni taʼminlash uchun mukammal tuzilgan muhitni yaratadi.

Mashinalar chiziqlar chizish orqali qanday o'rganadi

2015-yilgi vizual qoʻllanma oʻxshash stsenariy bilan boshlandi: uylarni Nyu-York yoki San-Fransiskodagilar sifatida faqat ikkita xususiyatga koʻra tasniflash – kvadrat fut uchun narx va oʻlcham. Har bir uy tarqalish uchastkasidagi nuqta edi. "Mashina" (bu holda, oddiy algoritm) ikkita shahar klasterini ajratish uchun bo'linuvchi chiziq yoki chegara chizish orqali o'rganildi. Bu tasniflashning mohiyati, asosiy ML vazifasidir. Maqolada modelning takrorlanishi, uning aniqligini oshirish uchun har bir yangi ma'lumot nuqtasi bilan chiziqni sozlash ajoyib tarzda ko'rsatilgan. Ushbu vizual metafora to'g'ridan-to'g'ri biznesga tarjima qilinadi. Mijozlarning fikr-mulohazalarini “shoshilinch” yoki “standart” deb tasniflashni tasavvur qiling, sotuvlar “issiq” yoki “sovuq” yoki inventar buyumlari “tezkor” yoki “sekin harakatlanuvchi” deb tasniflanadi. Maʼlumotlarni shu tarzda tasavvur qilish orqali biz MLni sehr sifatida emas, balki tartibsizlikdan tartib yaratishning uslubiy jarayoni sifatida koʻramiz.

Qarorlar daraxtlari: bashorat qilish sxemasi

Kirish qismi yanada kuchliroq tushunchaga oʻtdi: qarorlar daraxti. Vizual ravishda, qarorlar daraxti - bu bashorat qilish uchun ma'lumotlar haqida bir qator "ha" / "yo'q" savollarini beradigan oqim diagrammasi. Maqolada ma'lumotlarni samarali taqsimlash uchun algoritm birinchi navbatda eng ta'sirli savollarni (masalan, "kvadrat fut uchun narx ma'lum chegaradan yuqorimi?") qanday tanlashi tasvirlangan. Har bir bo'linish yangi novdalarni yaratadi va natijada bashoratli barglarga olib keladi. Bu erda operatsion platformalar o'z kuchini ko'rsatadi. CRM, inventar va moliyaviy ma'lumotlarni bog'laydigan Mewayz kabi yagona tizim qaror daraxti o'rganishi kerak bo'lgan boy va toza ma'lumotlar to'plamini taqdim etadi. Daraxt keyinchalik muhim biznes mulohazalarini avtomatlashtirishi mumkin, masalan:

• Jamoaning ish yuki va resurslar mavjudligi asosida loyihani yetkazib berish muddatlarini bashorat qilish.
• To'lov tarixi va buyurtma hajmi asosida yangi mijozning xavf darajasini baholash.
• Masalan turi va murakkabligiga qarab chipta uchun eng yaxshi yordam agentini tavsiya qilish.

Vizual qoʻllanma buni aniq koʻrsatib berdi: kirish maʼlumotlarining sifati va oʻzaro bogʻliqligi toʻgʻridan-toʻgʻri chiqishning intellektini belgilaydi.

Aqlli vositadan biznes zaruriyatigacha

2015-yilda vizual taqdimot sifatida boshlangan narsa biznes imperativiga aylandi. Asosiy saboqlar to'g'ri bo'lib qoladi: ML yangi ma'lumotlar haqida asosli bashorat qilish uchun tarixiy ma'lumotlarda naqsh topadi. Vizualizatsiya sirni yo'qotib, mantiqiy, o'rgatish mumkin bo'lgan tizimni ochib berdi. Bugungi kunda bu tavsiya tizimlari, firibgarliklarni aniqlash va talabni prognozlash uchun vosita. Ushbu imkoniyatlarni amalga oshirish uchun endi noldan qurish kerak emas. Zamonaviy modulli biznes operatsion tizimlari bunday razvedka uchun ma'lumotlar bazasi bo'lish uchun mo'ljallangan. Mewayz kabi platforma operatsiyalarni (sotish va marketingdan logistika va qo‘llab-quvvatlashgacha) markazlashtirib, mashinani o‘rganish modellarining keng qamrovli, yuqori sifatli ma’lumotlarga ega bo‘lishini ta’minlaydi va vizual tushunchalarni avtomatlashtirilgan, amaliy biznes tushunchalariga aylantiradi.

2015 vizual astar muvaffaqiyatli bo'ldi, chunki u mashina o'rganishni qora quti sifatida emas, balki shaffof, iterativ kashfiyot jarayoni sifatida belgilagan. Bu shuni ko'rsatdiki, ML asosi kelajakda yaxshiroq qarorlar qabul qilish uchun o'tmishdagi dalillardan foydalanishdir - bu har bir biznes rahbari tushunadigan tamoyil

Aqlliroq operatsiyalar uchun vizual asos

2015-yilda bu oddiy, nafis vizual tushuntirish o‘rgatishdan ko‘proq narsani amalga oshirdi; ma'lumotlarga asoslangan davr uchun kontseptual asosni yaratdi. Bu shuni ko'rsatdiki, mashinani o'rganish uyushgan, mo'l-ko'l ma'lumotlarga asoslangan. Zamonaviy biznes kontekstida bu integratsiyalashgan platformalarning muhim rolini ta'kidlaydi. Disparate ma'lumotlar siloslari etishmayotgan nuqtalari bo'lgan tarqalish sxemasiga o'xshab, parchalangan rasmni yaratadi. Biroq, birlashtirilgan tizim to'liq vizual tuvalni ta'minlaydi. Mewayz operatsiyalarning aniq va batafsil portretini yaratish uchun biznes modullarini birlashtirib, xuddi shunday tuval vazifasini bajaradi. Ushbu yaxlit ko'rinish aniq chegaralarni belgilash, ishonchli qarorlar daraxtlarini yaratish va oxir-oqibat, xom ma'lumotlarni butun tashkilot bo'ylab samaradorlik va o'sishga yordam beradigan strategik aktivga aylantirish uchun samarali mashinani o'rganishni talab qiladi.

Ko'p beriladigan savollar

Ma'lumotlarni ko'rish sehri: Mashina o'rganishga vizual kirish

2015-yilda Stefani Ye va Toni Chuning muhim interaktiv maqolasi ajoyib ishlarni amalga oshirdi: u Machine Learning (ML) dan foydalanishga imkon berdi. Ular zich tenglamalarga yoki mavhum nazariyaga tayanmagan. Buning o'rniga ular oddiy, kuchli vositadan - vizualizatsiyadan foydalanib, mashinalar ma'lumotlardan qanday qilib "o'rganadi". Ushbu vizual yondashuv murakkab maydonni yo'qotib, uni ma'lumotlar landshaftida naqshlarni topish va chegaralarni chizish jarayoni sifatida ko'rsatdi. Ma'lumotlar qarorlar qabul qilish uchun turtki bo'lgan bugungi ish dunyosida bu asosiy tushunchani tushunish endi faqat ma'lumotlar olimlari uchun emas. Bu operatsiyalarni soddalashtirish, mijozlar tajribasini shaxsiylashtirish yoki bozor tendentsiyalarini bashorat qilishni istaganlar uchun. Turli biznes modullari maʼlumotlarini birlashtirgan Mewayz kabi platformalar ushbu aqlli tizimlarni taʼminlash uchun mukammal tuzilgan muhitni yaratadi.

Mashinalar chiziqlar chizish orqali qanday o'rganadi

2015-yilgi vizual qoʻllanma oʻxshash stsenariy bilan boshlandi: uylarni Nyu-York yoki San-Fransiskodagilar sifatida faqat ikkita xususiyatga koʻra tasniflash – kvadrat fut uchun narx va oʻlcham. Har bir uy tarqalish uchastkasidagi nuqta edi. "Mashina" (bu holda, oddiy algoritm) ikkita shahar klasterini ajratish uchun bo'linuvchi chiziq yoki chegara chizish orqali o'rganildi. Bu tasniflashning mohiyati, asosiy ML vazifasidir. Maqolada modelning takrorlanishi, uning aniqligini oshirish uchun har bir yangi ma'lumot nuqtasi bilan chiziqni sozlash ajoyib tarzda ko'rsatilgan. Ushbu vizual metafora to'g'ridan-to'g'ri biznesga tarjima qilinadi. Mijozlarning fikr-mulohazalarini “shoshilinch” yoki “standart” deb tasniflashni tasavvur qiling, sotuvlar “issiq” yoki “sovuq” yoki inventar buyumlari “tezkor” yoki “sekin harakatlanuvchi” deb tasniflanadi. Maʼlumotlarni shu tarzda tasavvur qilish orqali biz MLni sehr sifatida emas, balki tartibsizlikdan tartib yaratishning uslubiy jarayoni sifatida koʻramiz.

Qarorlar daraxtlari: bashorat qilish sxemasi

Kirish qismi yanada kuchliroq tushunchaga oʻtdi: qarorlar daraxti. Vizual ravishda, qarorlar daraxti - bu bashorat qilish uchun ma'lumotlar haqida bir qator "ha" / "yo'q" savollarini beradigan oqim diagrammasi. Maqolada ma'lumotlarni samarali taqsimlash uchun algoritm birinchi navbatda eng ta'sirli savollarni (masalan, "kvadrat fut uchun narx ma'lum chegaradan yuqorimi?") qanday tanlashi tasvirlangan. Har bir bo'linish yangi novdalarni yaratadi va natijada bashoratli barglarga olib keladi. Bu erda operatsion platformalar o'z kuchini ko'rsatadi. CRM, inventar va moliyaviy ma'lumotlarni bog'laydigan Mewayz kabi yagona tizim qaror daraxti o'rganishi kerak bo'lgan boy va toza ma'lumotlar to'plamini taqdim etadi. Daraxt keyinchalik muhim biznes mulohazalarini avtomatlashtirishi mumkin, masalan:

Aqlli vositadan biznes zaruriyatigacha

2015-yilda vizual taqdimot sifatida boshlangan narsa biznes imperativiga aylandi. Asosiy saboqlar to'g'ri bo'lib qoladi: ML yangi ma'lumotlar haqida asosli bashorat qilish uchun tarixiy ma'lumotlarda naqsh topadi. Vizualizatsiya sirni yo'qotib, mantiqiy, o'rgatish mumkin bo'lgan tizimni ochib berdi. Bugungi kunda bu tavsiya tizimlari, firibgarliklarni aniqlash va talabni prognozlash uchun vosita. Ushbu imkoniyatlarni amalga oshirish uchun endi noldan qurish kerak emas. Zamonaviy modulli biznes operatsion tizimlari bunday razvedka uchun ma'lumotlar bazasi bo'lish uchun mo'ljallangan. Mewayz kabi platforma operatsiyalarni (sotish va marketingdan logistika va qo‘llab-quvvatlashgacha) markazlashtirib, mashinani o‘rganish modellarining keng qamrovli, yuqori sifatli ma’lumotlarga ega bo‘lishini ta’minlaydi va vizual tushunchalarni avtomatlashtirilgan, amaliy biznes tushunchalariga aylantiradi.

Aqlliroq operatsiyalar uchun vizual asos

2015-yilda bu oddiy, nafis vizual tushuntirish o‘rgatishdan ko‘proq narsani amalga oshirdi; ma'lumotlarga asoslangan davr uchun kontseptual asosni yaratdi. Bu shuni ko'rsatdiki, mashinani o'rganish uyushgan, mo'l-ko'l ma'lumotlarga asoslangan. Zamonaviy biznes kontekstida bu integratsiyalashgan platformalarning muhim rolini ta'kidlaydi. Disparate ma'lumotlar siloslari etishmayotgan nuqtalari bo'lgan tarqalish sxemasiga o'xshab, parchalangan rasmni yaratadi. Biroq, birlashtirilgan tizim to'liq vizual tuvalni ta'minlaydi. Mewayz operatsiyalarning aniq va batafsil portretini yaratish uchun biznes modullarini birlashtirib, xuddi shunday tuval vazifasini bajaradi. Ushbu yaxlit ko'rinish aniq chegaralarni belgilash, ishonchli qarorlar daraxtlarini yaratish va oxir-oqibat, xom ma'lumotlarni butun tashkilot bo'ylab samaradorlik va o'sishga yordam beradigan strategik aktivga aylantirish uchun samarali mashinani o'rganishni talab qiladi.