Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-03-10

1 <p>В этой статье мы расскажем про 5 трендов в сфере AI и ML в 2020 году.</p>

2 <h2>Тренд №1 - AutoML</h2>

3 <p><strong>AutoML</strong>- автоматизированное машинное обучение (Automated machine learning или AutoML). Если сказать в двух словах, парадигма AutoML подразумевает наличие одной большой кнопки, нажатие которой позволит вам "построить хорошую модель".</p>

4 <p>AutoML нередко позиционируют как инструмент, нацеленный на представителей бизнеса, не владеющих технической экспертизой. В результате Data Science-задачи сможет решать человек, не имеющий специального технического образования. Популярность таких инструментов растёт, однако пока рано говорить об AutoML, как о самостоятельном подходе, особенно в контексте больших корпораций.</p>

5 <h2>Тренд № 2 - XAI</h2>

6 <p>Речь идёт об объяснимом искусственном интеллекте (Explainable AI либо<strong>XAI</strong>).</p>

7 <p>Дело в том, что бизнес-пользователю крайне важно понимать логику, стоящую за принятием решения, что в большей мере характерно для сфер деятельности, где исторически господствовали легко интерпретируемые модели типа логистической регрессии либо деревьев решений (расчёт кредитных рисков, целевой маркетинг, страхование).</p>

8 <p>В последнее время брешь между интерпретацией и точностью стали закрывать методы типа LIME и XSHAPE и, судя по активности в академической среде, ожидается из дальнейшее распространение.</p>

9 <h2>Тренд № 3 - RL</h2>

10 <p>RL или Reinforcement Learning - это<strong>обучение с подкреплением</strong>и, по сути, развитие концепции непрерывного A/B тестирования с той лишь разницей, что вместо 2-х сегментов у нас их тысячи, а процесс функционирует непрерывно.</p>

11 <p>Когда-то обучение с подкреплением применяли для игр, в последние годы оно используется для решения бизнес-задач. Сегодня специалисты продолжают совершенствовать методы использования RL для бизнеса. Уже сейчас на рынке есть множество успешных кейсов применения: - выбор наиболее подходящей кампании в оптимизации маркетинга; - персонализация страниц и рассылок в цифровом маркетинге; - работа с проблемной задолженностью в кредитных рисках и т. п.</p>

12 <h2>Тренд № 4 - графовая аналитика</h2>

13 <p>Под графовой аналитикой понимают набор методов, ориентированных на анализ структуры связей между сущностями, а не на свойства этих сущностей. Например, связи между людьми в соцсетях, связи банковских счетов через проходящие по этим счетам переводы, различные структуры владения и т. д.</p>

14 <p>Методы графовой аналитики используются для анализа структуры связей и выявления неочевидных связей. Что касается ML-задач, то здесь графовая аналитика даёт возможность строить более сильные предикторы - переменные, описывающие окрестности интересующей сущности. Допустим, можно ответить на вопрос, как влияет на кредитный рейтинг фирмы рейтинг её контрагентов либо контрагентов контрагентов либо в принципе всей цепочки поставок.</p>

15 <p>Используя методы графовой аналитики, можно ограничиваться не только прямыми связями, но и окрестностями по связям разной длины.</p>

16 <p>Сегодня графы успешно используются для анализа сущностей, имеющих "естественную" сетевую структуру, например, соцсетей. Прогнозируют, что графов для сущностей с неочевидной сетевой структурой будет всё больше. Такие графы хороши для выстраивания последовательностей цепочек событий, происходящих с клиентом, либо анализа причинно-следственных отношений для задач управления маркетинговыми коммуникациями.</p>

17 <h2>Тренд № 5 - ModelOps</h2>

18 <p>Интерес к ML ежегодно растёт, и лидеры многих индустрий вовлечены в R&D, пилотирование использования Machine learning и углубленный анализ данных для бизнес-задач. В итоге уже давно концентрация усилий смещается на внедрение в промышленную эксплуатацию результатов успешных пилотов.</p>

19 <p>Соответственно, появляется потребность в методологии выстраивания бизнес-процессов вокруг жизненного цикла ML-моделей машинного обучения, есть потребность и в инструментах автоматизации этих процессов.</p>

20 <p>Данное направление и получило название<strong>ModelOps</strong>- операционализация машинного обучения. Говоря о<strong>ModelOps</strong>, можно легко проследить аналогию с DevOps - у нас есть акроним от Model (понимается ML-модель) и Operations (понимается IT-эксплуатация).</p>

21 <p>Уже сегодня на рынке присутствует больше 50 решений и инструментов, связанных с ModelOps-задачами, среди них есть как бесплатные решения (MLFlow, KubeFlow), так и решения от вендоров и лидеров в сфере Data Science - SAS и IBM.</p>

22 <p>Таким образом, ожидается качественное развитие отрасли, то есть движение в сторону унификации подходов как к методологии управления жизненным циклом ML-моделей в целом, так и к техническим решениям автоматизации процессов в частности.</p>

23 <p><em>При написании материала использовалась статья<a>"Графовая аналитика, обучение с подкреплением и ModelOps - тренды ML 2020 для задач бизнес-аналитики"</a>.</em></p>