Машинне навчання

Що це означає

Машинне навчання - це галузь штучного інтелекту, у якій система вчиться на даних знаходити закономірності й робити прогнози без того, щоб хтось прописував усі правила. Замість ручного програмування умов модель отримує багато прикладів і сама виводить, як на них реагувати.

Розрізняють навчання з учителем, коли модель отримує приклади з правильними відповідями, навчання без учителя, коли вона сама шукає групи та аномалії, і навчання з підкріпленням, коли вона вчиться методом спроб і помилок. На машинному навчанні побудовані й великі мовні моделі.

Якість результатів залежить насамперед від даних. Модель засвоює те, що знаходить у даних, зокрема помилки і викривлення. Тому якість даних та їхня репрезентативність у машинному навчанні важливіші за сам вибір алгоритму.

Як це працює на практиці

У бухгалтерії та фінансах машинне навчання застосовують, наприклад, для автоматичного розпізнавання і категоризації документів разом з OCR, зіставлення платежів з рахунками, прогнозу грошового потоку чи виявлення незвичних транзакцій, які можуть вказувати на помилку або шахрайство.

Компанії не обов'язково розробляти власні моделі. Більшість бухгалтерських, банківських і CRM-інструментів уже містять машинне навчання. Під час вибору варто запитати, на яких даних вчиться модель, чи покращується вона за виправленнями користувача і де обробляються дані компанії та її клієнтів.

У великих проєктах, наприклад під час прогнозу продажів на основі великих даних, ключову роль відіграє підготовка: об'єднання джерел, очищення даних і чітке визначення того, що модель має передбачати. Результати завжди перевіряють на даних, яких модель не бачила під час навчання, щоб побачити реальну точність.

На що звернути увагу

Модель може видавати переконливі, але хибні результати, і не завжди зрозуміло, чому вона вирішила саме так. У важливих рішеннях, наприклад про кредити чи працівників, останнє слово має залишатися за людиною, яка перевірить результат.

Використання систем штучного інтелекту регулює і Акт про штучний інтелект, який для деяких високоризикових застосувань встановлює суворі обов'язки. Якщо модель працює з персональними даними, треба дотримуватися і GDPR, особливо під час автоматизованого ухвалення рішень щодо людей.