Leo Yeh's Blog

資料分析 Machine Learning (1)

教學目標

初步了解機器學習的技術應用對於企業將會解決什麼問題和帶來什麼價值,此篇主要為學習筆記。

重點概念

當我們以開發人員、分析人員或研究人員的角色學習或應用機器學習的技術時,我們是否曾想過機器學習的技術應用對於企業將會解決什麼問題和帶來什麼價值呢? 根據 IDC 研究報告中提到至 2018 年將會有 75% 的企業建置人工智慧或機器學習的應用,接著再根據 Deloitte 研究報告中提到 CIO 透過優化企業 IT 能力帶來價值,其中前五大優先順序的 IT 能力,分別為客戶、成長、效能、成本和創新,同時在報告中分為十大產業進行調查,分別為專業服務、建築和製造、消費和零售、教育和非盈利、能源和資源、金融服務、政府和公共單位、健康照顧服務、技術和電信以及旅遊、媒體和醫院。

根據不同產業雖然會有不同的優先順序,但是客戶除了針對建築和製造與來政府和公共單位產業而言不是前三大優先考量的 IT 能力之外,對於其它產業而言,卻是前三大優先考量的 IT 能力,因此獲取客戶將會是企業期待 IT 能力帶來最重要的價值。接著再根據勤業眾信提供的 2017 年技術趨勢研究報告中則提到機器智慧,主要包括機器學習、深度學習、認知分析和機器人流程自動化,其重點在於資料作為關鍵企業資產,從管理越來越龐大的資料和越來越複雜的分析工具,透過分析不斷成長的資料從中發現觀點和模式,更進一步為企業帶來更多機會,包括認知觀點、認知互動和認知自動化,以利開發更多新的客戶參與方式,並且探索創新的商業模式,所以有 64% 的 CIO 認為認知技術將會在未來兩年進行投資,其中炎動機器智慧發展的三大重點,分別為:

  1. 指數型資料成長。
  2. 快速分散系統。
  3. 聰明演算法。

其中聰明演算法應用主要有七大類,分別為:

  1. 優化、規劃和排程。
  2. 機器學習。
  3. 深度學習。
  4. 機率推論。
  5. 語意分析。
  6. 自然語言。
  7. 機器人流程自動化。

再來我們會發現其中深度學習、機率推論、語意分析和自然語言也屬於機器學習演算法之一。此時資料科學家可以使用訓練資料集告知電腦要做什麼應用,更進一步開發智慧應用程式,在 PwC 研究報告中提到人工智慧和機器學習在企業中是非常熱門的主題,許多企業期望可以改善和自動化企業流程,這也對應至聰明演算法中的優化、規劃和排程,並且在三年內會有 63% 的企業將會持續進行人工智慧的投資,所以不論是認知技術或人工智慧背後的關鍵重點皆為機器學習技術,但是我們要如何利用機器學習技術持續解決企業的問題或痛點呢?

根據 McKinsey 研究報告中提供機器學習技術搭配其它類型的分析類型將能夠解決大多數的企業問題,報告中提到主要針對十二大產業,分別為農業、能源、製造、公共、汽車、金融、媒體、電信、消費者、健康照顧、製藥以及旅遊、交通和後勤與六百位專案進行一百二十個使用案例的調查,針對企業問題匯整出八大類解決問題的類型,分別為:

  1. 即時優化。
  2. 策略優化。
  3. 預測分析。
  4. 預測維護。
  5. 個人化。
  6. 發現新趨勢或異常。
  7. 預報。
  8. 轉換非結構化資料。

此時不同的產業根據不同資料的數量對應適當的使用案例,將會帶來潛在的衝擊,例如: 大量的資料會帶來金融產業個人化金融產品的衝擊、大量的資料會帶來汽車產業識別和導航道路的衝擊、適量的資料會帶來媒體產業帶來新消費者趨勢的衝擊、適量的資料會帶來旅遊、交通和後勤產業優化價格和即時排程的衝擊、少量的資料會對製造產業與能源產業帶來維護預測的衝擊…等。為了因應潛在的衝擊,所以在研究報告中提到三大應用類型為產業帶來價值的應用,分別為:

  1. 預測分析。
  2. 策略優化。
  3. 優化能力。

其中預測分析可應用於金融產業評估客戶信用風險,更快速與更佳的準確率,以利提升決策能力,或者電信產業預測客戶的生命週期價值,策略優化可應用於公共產業優化跨專案的資源配置,或者媒體產業識別最佳的內容進行優化,以及優化能力可應用於消費產業優化產品庫存以利達到最大銷售,或者旅遊、交通和後勤產業優化即時最佳路線。此外研究報告中還有提供更進階的機器學習應用也就是深度學習是如何協助不同角色工作職務自動化的應用,研究主要來自於不同的工作活動類型,包括秘書、營業員、經理、支援人員、收銀員、工程師、律師、… 等,其中有高達 80% 是可以使用已存在的機器學習技術進行實作應用,例如: 識別已知的分類或理解自然語言。

總結最早提出人工智慧概念的學者們想出機器學習的概念,可惜沒有達到廣義人工智慧的最終目標,再來機器學習又衍生出類社經網路,直到現今的深度學習開始能夠更全面的推廣人工智慧領域的應用,此外認知技術是人工智慧領域的產品,主要能夠執行人類之前能夠做的事情,然而機器智慧,主要包括機器學習、深度學習、認知分析和機器人流程自動化,所以人工智慧、機器智慧、認知技術、機器學習和深度學習的關係則為深度學習 -> 機器學習 -> 認知技術 -> 機器智慧 -> 人工智慧,對於機器學習的技術應用將能夠為不同產業的企業解決不同的問題類型,以及根據問題的痛點採用雲測分析、策略優化和優化能力為企業帶來更高的價值。

因此不同的角色在學習機器學習時看的角度和面向會不一樣,深度學習較適合研究人員進行研究、機器學習適合分析人員進行應用、認知技術適合開發人員進行實作、機器智慧和人工智慧則比較適合解釋給高階長官了解現在與未來可能的實務應用,下一步我們就更深入了解機器學習相關應用與實作:

  1. 了解有關機器學習相關的線上免費課程。(適合研究人員)
  2. 了解機器學習演算法能夠解決五大類型的問題。(適合分析人員)
  3. 了解如何透過 Microsoft Azure Machine Learning Studio 建立第一個機器學習實驗。(適合分析人員)
  4. 了解如何透過 Amazon Machine Learning 線上服務建立第一個機器學習實驗。(適合開發人員)
  5. 了解如何透過 Amazon EC2 線上服務安裝 TensorFlow 機器學習環境。(適合開發人員)

相關資源

⬅️ Go back