Data science

ทำไมไดนามิกอัลกอริธึมยังไม่มาแทนที่กฎของมนุษย์

การรับรู้ทั่วไปในองค์กรที่เน้นข้อมูลเป็นศูนย์กลางคือเทคโนโลยีการจัดการข้อมูลมีความก้าวหน้าเป็นเส้นตรง ตัวอย่างเช่น คลังสินค้าบนคลาวด์ โดยทั่วไปถือว่าเหนือกว่าคลังสินค้าเชิงสัมพันธ์ภายในองค์กร การเคลื่อนย้ายของ Kubernetes ถูกมองว่ามีประโยชน์มากกว่าระบบ ERP แบบเสาหิน และอัลกอริธึมไดนามิกที่พัฒนาขึ้นเมื่อเวลาผ่านไปจะถือว่าเป็นการสืบทอดกฎคงที่ที่มนุษย์สร้างขึ้น โดยเฉพาะอย่างยิ่งสำหรับการวิเคราะห์ เหตุผลสำหรับชัยชนะโดยอ้างว่าความถนัดของแมชชีนเลิร์นนิงเหนือกฎเกณฑ์ที่มนุษย์คิดขึ้นนั้นค่อนข้างง่ายและส่วนใหญ่เชื่อได้ Colin Sims ซีโอโอของ Forter กล่าวว่า “ที่สำคัญที่สุด ในระดับพื้นฐาน กฎเกณฑ์คือการมองย้อนกลับมาข้างหลัง” “คุณเขียนกฎโดยอิงจากบางสิ่งที่คุณรู้ว่ามันเกิดขึ้น แล้วคุณคิดว่าจะมีอะไรเกิดขึ้นอีกมากโดยอิงจากอดีต” ดังนั้น ความสามารถในการทำนายของการวิเคราะห์การประมวลผลทางปัญญา ซึ่งสามารถตรวจสอบเหตุการณ์ในอดีตและปัจจุบันเพื่อคาดการณ์เหตุการณ์ในอนาคต จะต้องดีกว่ากฎที่อิงจากการวิเคราะห์ในอดีตใช่ไหม ความจริงก็ไม่เป็นเช่นนั้นเสมอไป ในความเป็นจริง มีหลายกรณีที่กฎถูกฝังอยู่ในกระบวนการคำนวณทางความคิดและทำงานได้ดีกว่าอัลกอริธึมที่ไม่แน่นอนอย่างสม่ำเสมอ มันขึ้นอยู่กับกรณีการใช้งาน และจากการตรวจสอบแอปพลิเคชันการวิเคราะห์ที่สำคัญต่อภารกิจ เช่น Business Intelligence การตรวจจับการฉ้อโกง และการรู้จำคำพูด กฎเกณฑ์มีความสำคัญต่อความสำเร็จของความพยายามเหล่านี้ “ชุดของเทคนิคในการทำงานร่วมกันของคอนเสิร์ต แมชชีนเลิร์นนิงเป็นหนึ่งในนั้น ช่วยสร้างระดับความแม่นยำและคุณภาพของผลลัพธ์สำหรับผู้ที่ถามคำถาม” Mike Potter CTO ของ Qlik กล่าว กฎของมนุษย์เป็นองค์ประกอบที่ไม่สามารถถูกแทนที่ได้ของเทคนิคเหล่านั้น ความเชี่ยวชาญ ความรู้ และความแม่นยำที่รวมเข้าด้วยกันจะไม่เพียงแต่คงอยู่ในยุคการเรียนรู้ของเครื่องเท่านั้น แต่ยังช่วยสนับสนุนการประยุกต์ใช้เทคโนโลยีนั้นอย่างต่อเนื่องด้วย หากไม่ได้พิสูจน์ว่ามีประโยชน์มากกว่าพวกเขา ผลบวกเท็จ โดยตัวมันเอง กฎเกณฑ์แทบจะเป็นยาครอบจักรวาล “กฎเป็นเหมือนเครื่องมือทื่อ” ซิมส์ยอมรับ มีประสิทธิภาพสูงในสถานการณ์ที่ไม่มีความแปรปรวนมาก ในกรณีเหล่านี้—เช่น การดึงข้อมูลจากเอกสารที่จัดตั้งขึ้นอย่างดีผ่านตัวแทนซอฟต์แวร์—เช่น—พวกมันทำงานได้ดี อย่างไรก็ตาม ในกรณีการใช้งานการวิเคราะห์ที่ครอบคลุมมากขึ้น เช่น การตรวจจับการฉ้อโกง ซึ่งมีการโจมตี ผู้โจมตี และผลกระทบต่อเหยื่อที่หลากหลาย สิ่งเหล่านี้มีประโยชน์น้อยกว่าแมชชีนเลิร์นนิงมาก นอกจากนี้ พวกเขายังมีแนวโน้มที่จะสร้างผลบวกลวง โดยเฉพาะอย่างยิ่งเมื่อสิ่งเหล่านี้ไม่มีความสัมพันธ์อย่างเหมาะสมกับวิธีการประเภทอื่นๆ ในกรณีการใช้งานดังกล่าว “สิ่งที่คุณเห็นอย่างหลีกเลี่ยงไม่ได้คือพวกเขาไม่เพียงแต่จับการฉ้อโกง แต่ยังรวมถึงผู้ใช้ที่ดีด้วย” ซิมส์ตั้งข้อสังเกต “กฎจะต้องอยู่บนพื้นฐานของจุดข้อมูลเดียวในท้ายที่สุด นั่นคือข้อบกพร่องที่แท้จริงในตัวพวกเขา” กฎคงที่มีความเชี่ยวชาญน้อยกว่าในการพิจารณาบริบทโดยรอบของเหตุการณ์ที่เกี่ยวข้องกับการตรวจจับการฉ้อโกงหรือการวิเคราะห์ประเภทใด ๆ มากกว่าอัลกอริธึมแบบไดนามิกที่เชี่ยวชาญในการตรวจจับรูปแบบ “จุดข้อมูลในบางบริบทมีความสำคัญมากกว่าจุดอื่นๆ และคุณไม่สามารถตัดสินใจจากจุดข้อมูลเพียงจุดเดียวได้” ซิมส์กล่าว “เป็นความคิดที่ไม่ดีเพราะนั่นคือสิ่งที่คุณได้รับผลบวกปลอมมากมาย” ด้วยกรณีการใช้งานที่มีความแปรปรวนสูง เช่น การตรวจจับการฉ้อโกง อัลกอริธึมที่เปลี่ยนแปลงได้สามารถเรียนรู้เมื่อเวลาผ่านไปเพื่อให้ทำงานได้ดีขึ้น โดยเฉพาะอย่างยิ่งเมื่อมีอัลกอริธึมหลายตัวเกี่ยวข้อง “คุณต้องใช้โมเดลที่แตกต่างกันในบริบทที่แตกต่างกัน” ซิมส์ยืนยัน Business Intelligence ในท้ายที่สุด ความจำเป็นในการตัดสินใจว่าอัลกอริธึมไดนามิกใดที่จะปรับใช้สำหรับกรณีการใช้งานเฉพาะ ซึ่งแท้จริงแล้วเป็นหนึ่งในปัจจัยขับเคลื่อนสำหรับความอดทนของกฎของมนุษย์ ตามความเห็นของ Potter กฎต่างๆ มีส่วนอย่างมากในแพลตฟอร์ม BI สมัยใหม่ ซึ่งเทคนิค AI ในการสนทนาจะกลายเป็นบรรทัดฐาน สำหรับแอปพลิเคชันเหล่านี้ “มีองค์ประกอบของความเข้าใจภาษาธรรมชาติ ซึ่งคุณสามารถถามคำถามและอนุมานได้จากสิ่งที่พวกเขาอาจถามโดยอิงจากข้อมูลที่มีอยู่ในข้อมูล หรือใช้เทคนิคอื่นๆ ที่ช่วยให้พวกเขาเชื่อมช่องว่าง ” พอตเตอร์อธิบาย “นอกจากนี้ยังมีเทคนิคตามกฎและตามบริบท” ในตัวอย่างนี้ กฎเป็นพื้นฐานของรูปแบบของ AI ที่หลายคนเชื่อว่าขึ้นอยู่กับอัลกอริธึมที่เรียนรู้ แม้ว่าส่วนหลังจะเกี่ยวข้องกัน กฎต่างๆ ก็มีบทบาทสำคัญในการพิจารณาว่ารูปแบบใดของการวิเคราะห์ ซึ่งจำเป็นต่อวิธีการวิเคราะห์ที่เฉพาะเจาะจง เพื่อให้ผู้ใช้ปลายทางได้รับข้อมูลที่ต้องการจากชุดข้อมูล “กฎของเราจำนวนมากมุ่งไปที่การสังเคราะห์ประเภทของการวิเคราะห์ที่คุณพยายามทำ เช่น คุณกำลังเปรียบเทียบ คุณกำลังคาดการณ์ คุณกำลังถดถอยเชิงเส้นหรือไม่” Potter กล่าว “จากนั้น อะไรคือเทคนิคที่ดีที่สุดเพื่อให้เป็นไปตามการวิเคราะห์ที่อนุมานจากคำถาม” ในกรณีนี้ กฎจะควบคุมหรือควบคุมการใช้อัลกอริทึมการเรียนรู้ มีฟังก์ชันเดียวกันสำหรับกำหนดรูปแบบผลลัพธ์การวิเคราะห์ที่เหมาะสมที่สุด (เช่น การเลือกการแสดงภาพที่เหมาะสม) ในตัวอย่างอื่นๆ กฎมีบทบาทโดยตรงมากขึ้นใน BI ที่ได้รับการปรับปรุงโดย AI การสนทนา “กฎเกณฑ์เหล่านี้ทำให้คำถามเกี่ยวกับข้อมูลที่คุณพยายามจะตั้งคำถามไม่ชัดเจนจริงๆ” พอตเตอร์กล่าว “ที่สำคัญกว่านั้น คุณกำลังใช้มันเพื่อค้นหาสิ่งที่พวกเขาต้องการจริงๆ นั่นคือจุดที่การวิเคราะห์เข้ามามีบทบาท จากนั้นจึงนำเสนอในภายหลัง” การรู้จำเสียง อีกตัวอย่างหนึ่งของแนวโน้มการวิเคราะห์ที่ประเมินค่าไม่ได้ของกฎคือการช่วยให้องค์กรเอาชนะการแบ่งข้อมูลที่ไม่มีโครงสร้างซึ่งระบุถึงความสามารถในการรู้จำคำพูด ตัวอย่างเช่น ความมั่งคั่งของบริษัทข้อมูลมีจากตัวแทนศูนย์การติดต่อที่มีปฏิสัมพันธ์โดยตรงกับลูกค้า ทำให้มองเห็นได้ชัดเจนถึงวิธีการปรับปรุงผลิตภัณฑ์ บริการ และประสิทธิภาพของตัวแทนแต่ละราย สิ่งที่น่าสนใจเกี่ยวกับแอปพลิเคชันนี้คือมันเผยให้เห็นแนวโน้มของกฎเกณฑ์เพื่อช่วยในสถานการณ์ที่มีความแปรปรวน เมื่อต้องการค้นหาว่าตัวแทนได้พูดคุยกับลูกค้าเกี่ยวกับแนวคิดทางธุรกิจที่เฉพาะเจาะจง เช่น งบประมาณของฝ่ายหลังหรือไม่ ตัวอย่างเช่น “เนื่องจากมีวิธีพูดแบบนี้ไม่รู้จบ เราใช้กฎเกณฑ์” Jans Aasman ซีอีโอของ Franz เปิดเผย กฎประเภทนี้เหมือนกับกฎอื่นๆ ที่อิงตามการจัดหมวดหมู่และคำจำกัดความที่เป็นทางการของคำศัพท์ ความหมาย และคำพ้องความหมายสำหรับกฎเหล่านี้ เมื่อบทสนทนาที่พูดถูกถอดความเป็นข้อความแล้ว ก็สามารถตรวจสอบข้อมูลเหล่านี้ด้วยข้อมูลนี้เพื่อแจ้งการวิเคราะห์ “เราใช้บางอย่างเช่น 'คุณมีเงินเท่าไหร่สำหรับโครงการนี้' และเปลี่ยนเป็นกฎทั่วไปที่จะจับได้หลายวิธีที่ผู้คนสามารถพูดได้” Aasman กล่าว อีกแง่มุมที่สำคัญของกรณีการใช้งานการรู้จำคำพูดนี้คืออัลกอริธึมที่เปลี่ยนแปลงได้มักจะพิสูจน์ว่าใช้เวลานานและมีราคาแพงในการใช้งาน “ถ้าเรามีข้อมูลเพียงพอ คุณอาจให้คนอื่นติดป้ายกำกับการสนทนาเหล่านี้” Aasman ระบุ “แต่คุณต้องการการสนทนาหลายพันครั้งสำหรับสิ่งนี้ จากนั้นคุณสามารถมีคนและเครื่องมือขั้นสูงในการติดฉลากและทำให้การติดฉลากเร็วขึ้นและถูกลง” อยู่ที่นี่เพื่ออยู่ต่อไป การกำเนิดของการเรียนรู้ของเครื่องและอัลกอริธึมที่ปรับเปลี่ยนได้ซึ่งปรับให้เข้ากับเหตุการณ์ปัจจุบันเพื่อทำนายเหตุการณ์ในอนาคตไม่ได้เป็นจุดสิ้นสุดของยูทิลิตี้ขององค์กรที่ได้รับจากกฎของมนุษย์ ในทางตรงกันข้าม กฎต่าง ๆ ฝังแน่นในแอปพลิเคชั่นการประมวลผลทางปัญญาจำนวนมาก (ซึ่งส่วนใหญ่เรียกใช้แมชชีนเลิร์นนิง) เพื่อเป็นแนวทางหรือเสริมโมเดลไดนามิก—ซึ่งกรณีการใช้งาน BI ของ Potter แสดงให้เห็น ในบางตัวอย่าง จะเป็นทางเลือกที่ถูกกว่าและเร็วกว่าสำหรับความต้องการปริมาณข้อมูลจำนวนมากของการเรียนรู้ของเครื่องและคำอธิบายประกอบ มีกรณีการใช้งานจำนวนมากที่เสริมด้วยอัลกอริธึมแบบไดนามิก เช่น การตรวจจับการฉ้อโกง อย่างไรก็ตาม การบังคับใช้กฎกับการดำเนินการวิเคราะห์ที่มีความแปรปรวนนั้นชัดเจนจากกรณีการใช้งานการรู้จำคำพูดของ Aasman ต่อจากนี้ กฎเกณฑ์ต่างๆ จะคงอยู่ต่อไปอย่างไม่ต้องสงสัย และเป็นวิธีการสำคัญในการอำนวยความสะดวกในการวิเคราะห์องค์กรในยุคปัจจุบันของการประมวลผลทางปัญญา เกี่ยวกับผู้เขียน Jelani Harper เป็นที่ปรึกษากองบรรณาธิการที่ให้บริการตลาดเทคโนโลยีสารสนเทศ เขาเชี่ยวชาญด้านแอปพลิเคชันที่ขับเคลื่อนด้วยข้อมูลซึ่งมุ่งเน้นไปที่เทคโนโลยีเชิงความหมาย การกำกับดูแลข้อมูล และการวิเคราะห์ เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1 ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี

  • บ้าน
  • ธุรกิจ
  • วิทยาศาสตร์ข้อมูล
  • การตลาดดิจิทัล

  • ตลาดการค้า
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button