Машинное обучение: фантастика, ставшая привычной

Каковы успехи? Кейсы, кейсы, кейсы…

Основные успешные кейсы, связанные с применением машинного обучения, относятся к трем основным типам задач:

Классификация. Переменная может принимать только два значения: желтые мячи кладем в первую корзину, красные — во вторую и т.д. Один из самых известных примеров — распознавание образов: машина уже распознает образы лучше человека.

Регрессия. Машина предсказывает любое вещественное число. Это может быть предсказание загруженности дорог, прогноз, сколько товара необходимо закупить ритейлеру, чтобы он не оставался на складе, но при этом его хватило, чтобы удовлетворить потребительский спрос, и т.д.

Обучение без учителя. Это выявление аномалий. Существует так называемое обучение с учителем, когда есть заранее известные ответы, на которых машина учиться. В обучении без учителя нет четко поставленной задачи и нет правильных ответов. Машине отдают данные, и она должна выявить аномалии: например, на центр обработки данных (ЦОД) идет DDoS-атака, машина поможет быстро понять, какой трафик мусорный и откуда идет атака.

Медицина

Самый известный пример из медицинской сферы — суперкомпьютер IBM Watson, оснащенный вопросно-ответной системой искусственного интеллекта. За 2 года Watson изучил 605 тысяч медицинских документов, проанализировал 25 тысяч историй болезни и проработал 14,7 тысячи часов для тонкой настройки алгоритмов.

Сейчас средняя точность назначения оптимального лечения после диагностирования рака легких в больницах США составляет 50%, т.е. в половине случаев врачи рекомендуют не самый лучший курс лечения и не идеальные препараты. У компьютера IBM Watson, который работает по методу бинарной классификации, точность назначения оптимального лечения составляет 90%.

Ритейл

Ритейл — низкомаржинальный бизнес: средняя маржинальность варьирует от 3 до 7%. Владельцам бизнеса интересна оптимизация даже на 0,5%. Поэтому в первую очередь здесь обращают внимание на маркетинг, важной частью которого является персонализированное предложение конкретному человеку. Можно вспомнить историю из США, когда в семью прислали скидочные купоны на подгузники и детское питание. Аналитический отдел магазина узнал о положении девушки раньше ее родных, проанализировав статистику ее запросов. Метод регрессии позволяет ритейлу анализировать товарные остатки и оптимизировать логистику.

Промышленность

В трубных цехах одного металлургического завода периодически возникали массовые отбраковки по дефектам металлургического и прокатного производства. В таких случаях в короткие сроки было необходимо найти и устранить причину для недопущения дальнейшего производства брака. Для решения этой задачи было разработано решение на основе машинного обучения. Математическая модель обрабатывала данные по химическому составу сырья, прокатному стану, оборудованию и его износу и т.д. Если на этапе выплавки появлялся брак, разработанное решение позволяло выявить причины брака в 49% случае, что давало существенную экономию ресурсов и времени на его устранение.

Политика

Сразу после победы Дональда Трампа на президентских выборах США швейцарский журнал «Das Magazin» опубликовал расследование, согласно которому эпатажный бизнесмен обошел Хиллари Клинтон во многом благодаря технологии, разработанной ученым Михаилом Козинским. Она опиралась на Большие данные, и с ее помощью компания Cambridge Analytica, работающая на Трампа, доносила определенные месседжи для американцев, основываясь на их предпочтениях в Facebook (всего было разработано 32 психотипа).

О том, что успех во многом обусловлен машинным обучением, никто из штаба Дональда Трампа открыто не заявлял, поэтому мы не можем утверждать это однозначно. Но есть несколько фактов, указывающих на это. Во-первых, три четверти рекламного бюджета избирательной кампании было потрачено Трампом на продвижение в сети. Во-вторых, республиканец проиграл по общему голосованию, но победил после подсчета голосов выборщиков: ему отдали 306 из 538. В общем, если кто-то ходит, как утка, и крякает, как утка, — скорее всего, это утка.

Банковская сфера

В самой консервативной из перечисленных здесь отраслей реализовали кейс, напоминающий фантастический фильм «Особое мнение». Мы приведем только один достаточно узкий кейс, но на его примере можно понять, какие широкие возможности предоставляет машинное обучение на поле борьбы с мошенничеством в банках.

Компания «Инфосистемы Джет» разработала для Сбербанка модель, которая детектирует поведение работников банка, и, если оно становится аномальным, сигнализирует службе безопасности банка. В качестве одного из примеров приведем следующий кейс. В банках есть определенное количество «спящих счетов». Открывшие их люди по разным причинам не обращались больше в банк. По данным ЦБ, таких вкладов около 3%. И если подделать карту и вывести деньги с такого счета, никто не заметит. Если машина выявляет какую-то аномалию в поведении сотрудника, его не увольняют, но за его работой начинают наблюдать пристальнее. Если несколько дней подряд кто-то проверяет счета, а затем выдаются карты, привязанные к счетам, по которым долгое время не происходило никаких движений, офицер безопасности может заподозрить мошенничество со стороны сотрудника банка и потребовать проведения более тщательной служебной проверки.

Не будем перечислять все направления, в которых машинное обучение может помочь банковскому бизнесу, просто назовем 8 самых интересных.

• Next-best-action для увеличения ARPU. Прогнозирование следующей оптимальной активности с существующим клиентом. Позволяет увеличить конверсию продаж услуг и продуктов, что увеличивает показатели ARPU и LTV.
• Лучшее маркетинговое предложение. Выбор оптимальной целевой группы для коммуникации в рамках маркетинговой программы. За счет оптимального подбора людей, для которых это предложение сейчас актуально, растет конверсия в продажи.
• Прогноз оптимальных тарифов. Подбор характеристик тарифов для оптимизации уровня конверсии. Позволяет подбирать оптимальные характеристики тарифов для выбранных групп существующих клиентов, что увеличивает конверсию продаж.
• Прогноз досрочного закрытия депозита. Прогнозирование в заданном промежутке времени досрочного закрытия депозита клиентом. Позволяет принять ряд мер для снижения этой вероятности, а также оценить вероятность снижения объема основных средств.
• Кредитный скоринг заявок. Скоринг поступающих заявок на кредит на базе существующей популяции клиентов и макроэкономических событий как для физических, так и для юридических лиц. Позволяет снизить риски просрочек и невозвратов.
• Прогноз возникновения просрочки по действующим кредитным договорам. Позволяет оценивать риски, связанные с необходимостью частичного или полного залогового покрытия просроченных платежей.
• Прогноз стоимости основных активов. Прогноз стоимости составных частей (ценные бумаги, недвижимость) основных активов на заданный промежуток времени. Позволяет точнее оценивать риски, связанные с объемом основных активов и целесообразностью их покупки или продажи.
• Контроль исполнения скриптов операторами. Помогает определять операторов, которые могли что-то предложить, но решили этого не делать и быстро закончили разговор.

Что будет дальше?

Если брать хайп-цикл Gartner, сейчас машинное обучение только прошло пик чрезмерных ожиданий, и начался этап «избавление от иллюзий». Раньше машинным обучением занимались преимущественно продуктовые и интернет-компании, но уже в ближайшие годы эта технология будет запускаться во всех сферах бизнеса как сопровождающая. Можно констатировать, что этот процесс — главный тренд в машинном обучении на ближайшие годы.

Основной драйвер роста — успешные проекты, ставшие публичными кейсами. Чем больше их будет, тем быстрее компании убедятся, что машинное обучение действительно работает. На сегодняшний день публичных кейсов по внедрению технологий машинного обучения, где бизнес озвучивал бы полученные преимущества, очень мало. Но их будет все больше, и со временем определятся сферы, где внедрение технологии наиболее востребовано. Скорее всего, первыми областями, где начнется внедрение, будут маркетинг, логистика, банковская сфера, первичный набор сотрудников.

По нашим оценкам, в ближайшие годы, когда шум вокруг технологии окончательно сойдет на нет, на выходе мы получим компании, где это работает, best practice, как внедрять технологию, общих интеграторов и нишевых экспертов. Сформируется рынок специалистов-практиков, которые уже будут не просто математиками, но и смогут запустить технологию в компании. Уже сейчас возможности машины существенно превосходят возможности любой команды аналитиков. Компании, оседлавшие тренд одними из первых, накопят экспертизу и станут лидерами в своих областях.

Что делать компаниям?

21 июля этого года президент Сбербанка Герман Греф во время лекции в Балтийском федеральном университете им. И. Канта заявил, что «современным компаниям не нужны юристы без знаний в области искусственного интеллекта и понимания того, как работают современные компьютерные технологии». Герман Оскарович славится хлесткими заявлениями, но нельзя сказать, что в данном случае он неправ. В общем- то, президент Сбербанка говорит о компетенциях Data Scientist.

Data Scientist — это эксперт по аналитическим данным. Точный функционал этого специалиста описать сложно, поскольку профессия молодая, но если говорить в общих чертах, он занимается сбором и анализом Больших данных и разрабатывает на их основе решения тех или иных бизнес-задач. Сейчас найти такого работника на рынке сложно, а стоить он будет дорого.

Но главная сложность для многих компаний даже не в том, где найти такого специалиста, — будущих Data Scientist готовят в МГУ, НИУ ВШЭ и МГТУ им. Н.Э. Баумана. К тому же есть стажерские программы аналитиков в коммерческих компаниях. Например, «Инфосистемы Джет» в этом году добавили целый раздел, посвященный обучению Data Scientist. Для начала топ-менеджменту компаний необходимо понять, зачем им такой специалист. Иначе в погоне за модным термином можно схантить редкого специалиста на высокую зарплату, который будет сидеть в кабинете и ничего не делать. Чтобы такого не происходило, есть простое решение: для начала вместе с Data Scientist стоит сделать один небольшой проект, который принесет компании ощутимую пользу.

Таким образом, вместо нынешних маркетологов компания получает «Маркетолога 2.0» — Data Scientist, который стоит дороже одного предыдущего маркетолога, но может заменить целый отдел. Возвращаясь к цитате Германа Грефа: в прошлом году Сбербанк сократил 450 юристов, которые готовили иски. Сейчас вместо них этими документами занимается нейронная сеть.