Машинное обучение — обучение на данных
Подход, при котором программа выводит правила из примеров, а не получает их от программиста. Основа всего, что сегодня называют AI.
Также встречается как: machine learning, ML
Коротко. Машинное обучение — способ решать задачи, показывая программе примеры вместо того, чтобы описывать правила. Модель находит закономерности сама и применяет их к новым данным.
Три основных вида
Обучение с учителем. Есть примеры с правильными ответами: письма, размеченные как «спам» и «не спам». Модель учится предсказывать ответ. Самый распространённый случай в продуктах.
Обучение без учителя. Правильных ответов нет, модель ищет структуру сама: например, разбивает клиентов на группы по поведению.
Обучение с подкреплением. Модель действует и получает награду за результат. Так учат играть, управлять и — частично — вести диалог.
Зачем фаундеру
Понимание одной вещи экономит месяцы: машинное обучение полезно там, где правила сложно выписать, но легко привести примеры. Если задача решается пятью условиями «если — то», модель не нужна и только добавит непредсказуемости.
И наоборот: распознавание, ранжирование, прогноз спроса, работа с текстом — задачи, где явные правила выписать невозможно.
Где ошибаются
Начинают с модели, а не с данных. Без размеченных примеров учиться не на чем, а разметка — основная часть работы.
Ждут стопроцентной точности. Модель ошибается всегда. Продукт должен быть спроектирован так, чтобы ошибка была не катастрофой, а поправимым событием.
Ставят ML в MVP. На стадии проверки гипотезы почти всегда дешевле сделать то же самое руками — и заодно собрать данные для будущей модели.
Разобрать это на своём проекте
Мы доводим идеи фаундеров до работающего MVP за долю в компании. Расскажите про свою — посмотрим на цифры вместе.