Do efektywnego wykorzystania rozwiązań bazujących na sztucznej inteligencji potrzebne są zarówno wiedza na temat realiów biznesowych, jak i umiejętności posługiwania się konkretnymi narzędziami. Nie jest to proste, ale przykłady zrealizowanych wdrożeń pokazują, że może przynosić wymierne korzyści.

Uczenie maszynowe, a także szerzej sztuczna inteligencja, zaawansowana analityka i data science to dziedzina coraz bardziej dojrzała. Stale się rozwija i znajduje wciąż nowe zastosowania biznesowe. Dostępne w jej ramach technologie są coraz powszechniej wykorzystywane w różnych dziedzinach gospodarki – od telekomów, bankowości i ubezpieczeń, przez przemysł, energetykę i logistykę, po sprzedaż, marketing i usługi.

Najnowszym trendom i osiągnięciom w tym zakresie poświęcona była konferencja „Machine Learning@Enterprise 2017”(ML@Enterprise). Spotkanie stanowiło okazję do wymiany doświadczeń i wiedzy na temat aktualnych możliwości i perspektyw rozwojowych, jak również nabycia konkretnych umiejętności oraz kompetencji w posługiwaniu się wybranymi narzędziami i technologiami.

Rośnie świadomość korzyści

„Rozwiązania związane z data science przeszły drogę od zabawki biznesowej po narzędzie produkcyjne. Początkowo wykorzystywano je, bo tak wypadało, bo wszyscy wkoło tak robili. Dzisiaj sięga się po nie w celu rozwiązania konkretnych problemów biznesowych” – zauważył podczas dyskusji panelowej Piotr Gawrysiak, profesor w Instytucie Informatyki Politechniki Warszawskiej, Chief Data Scientist w mBanku.

Uczestnicy panelu zwracali uwagę, że analityka wykorzystująca elementy sztucznej inteligencji wchodzi wciąż do nowych sektorów i branż. Zagościła już na stałe nie tylko u operatorów telekomunikacyjnych czy w finansach. Ostatnio daje się zauważyć duże zainteresowanie jej możliwościami w branży gamingowej. Ma coraz większe zastosowanie w przetwarzaniu obrazów i języka. Wiele narzędzi jest już dostępnych w chmurze.

Zdaniem Dawida Detko, Data Science Architekt & Team Leader firmie Predica, przedstawiciele biznesu już wiedzą, że są dostępne takie rozwiązania i można ich użyć w konkretnych celach biznesowych. Problemem wciąż jednak pozostaje zbieranie danych i umiejętność ich wykorzystania. W tej materii jest jeszcze na polskim rynku wiele do zrobienia. Pomocne mogą być projekty realizowane metodami pilotażowymi.

Rozwiązania związane z data science przeszły drogę od zabawki biznesowej po narzędzie produkcyjne. Początkowo wykorzystywano je, bo tak wypadało, bo wszyscy wkoło tak robili. Dzisiaj sięga się po nie w celu rozwiązania konkretnych problemów biznesowych.

Edukacja jest nadal potrzebna, gdyż w wykorzystaniu narzędzi zaawansowanej analityki przodują głównie działające w naszym kraju przedstawicielstwa zagranicznych koncernów. Również istniejące w Polsce firmy świadczące usługi w zakresie Big Data czy machine learning mają klientów głównie poza granicami kraju. Polscy przedsiębiorcy, zdaniem uczestników dyskusji, nie mają wciąż jeszcze dostatecznej świadomości korzyści możliwych do osiągnięcia dzięki rozwiązaniom z zakresu sztucznej inteligencji czy data science. Tu jest duże pole do popisu dla ludzi z branży analitycznej.

Istniejąca sytuacja stawia także wyzwania przed instytucjami edukacyjnymi. Wraz z rosnącym zapotrzebowaniem rynku na specjalistów od data science rosną też wymagania potencjalnych pracodawców. Jak zauważył dr Dominik Batorski, reprezentujący Uniwersytet Warszawski i firmę Sotrender, analityka idzie w kierunku narzędzi łatwych w użyciu. Podobnie będzie też niedługo w obszarze uczenia maszynowego. Dlatego m.in. coraz większego znaczenia będą nabierały kompetencje przekrojowe, np. na styku programowania, przetwarzania danych i statystyki. Takiej wiedzy na rynku wciąż brakuje.

Potrzebne nowe umiejętności

Okazją do nabycia konkretnej wiedzy oraz umiejętności z zakresu machine learning i sztucznej inteligencji była warsztatowa część konferencji. Tematyka tutoriali dotyczyła zarówno biznesowych aspektów wykorzystania nowych technologii, jak i posługiwania się konkretnymi narzędziami oraz rozwiązaniami. Uczestnicy mogli z jednej strony zapoznać się z przykładami konkretnych zastosowań, a z drugiej strony nabyć umiejętności w posługiwaniu się wybranymi technikami analitycznymi.

Analityka wykorzystująca elementy sztucznej inteligencji wchodzi wciąż do nowych sektorów i branż. Ostatnio daje się zauważyć duże zainteresowanie jej możliwościami w branży gamingowej. Ma coraz większe zastosowanie w przetwarzaniu obrazów i języka.

Wśród ćwiczonych na warsztatach zagadnień znalazło się m.in. przygotowanie systemu rekomendacyjnego bazującego na rozwiązaniu Azure Machine Learning. Oprócz przygotowania klasycznej analizy koszykowej z wykorzystaniem pakietu arules i algorytmu apriori zostało zbudowane rozwiązanie bazujące na wbudowanym modelu eMachBox Recommender. Przygotowany system miał za zadanie znalezienie wskazanych zależności i reguł.

Uczestnicy innego tutorialu mieli okazję zapoznać się z możliwościami wykorzystania konwolucyjnych sieci neuronowych do przewidywania popularności filmów w serwisach społecznościowych. To przykład szerszego zagadnienia analizy treści w social media.

Były także warsztaty ukierunkowane na pogłębianie umiejętności posługiwania się konkretnymi językami – R, Python – oraz tworzenia botów. Pokazane zostały mechanizmy funkcjonowania tzw. uczenia głębokiego (deep learning). Można było się też zapoznać z zasadami tworzenia algorytmów uczenia maszynowego i sposobach ich wykorzystania w środowisku Big Data.

Pokazano, w jaki sposób metody uczenia maszynowego wykorzystywane są w przetwarzaniu języka naturalnego. Odbyła się prezentacja wybranych metod interpretacji danych i modeli uczenia maszynowego. Dużo uwagi poświęcono również możliwościom zastosowania i sposobom pracy z zyskującymi obecnie coraz większą popularność sieciami neuronowymi. Zaprezentowano, jak ta technologia radzi sobie z rozpoznawaniem obrazów, przetwarzaniem tekstu czy odkrywaniem sentymentu.

Wraz z rosnącym zapotrzebowaniem rynku na specjalistów od data science rosną też wymagania potencjalnych pracodawców. Coraz większego znaczenia będą nabierały kompetencje przekrojowe, np.F na styku programowania, przetwarzania danych i statystyki.

Uczestnicy warsztatów mieli też okazję zapoznać się z możliwościami wykorzystania narzędzi z zakresu sztucznej inteligencji do rozwiązywania własnych problemów. Przedstawione zostały m.in. trzy płaszczyzny wykorzystania sztucznej inteligencji: silniki, platformy i usługi. Zaprezentowano również możliwość tworzenia własnych aplikacji przy wykorzystaniu narzędzi bazujących na sztucznej inteligencji z chmury obliczeniowej.

Z kolei wśród prezentowanych przykładów praktycznego, biznesowego wykorzystania rozwiązań typu machine learning i szerzej sztucznej inteligencji znalazły się projekty dotyczące: analiz marketingowych w czasie rzeczywistym, wykrywania fraudów w bankowości czy monitorowania sieci ciężarówek.