Microsoft před pár měsíci představil public preview nové cloudové služby Azure Machine Learning, která přináší strojové učení v cloudu. O co jde? Zjednodušeně řečeno se jedná o obdobu data miningu. Na jeho praktické aplikace slyší každý manažer – predikce vývoje poptávky, predikce prodejů, automatizované hledání komplementů i substitutů ve vašem portfoliu atd.

Když stroje začínají vidět souvislosti

Strojové učení je jednou z podoblastí umělé inteligence, která na základě využití výpočetně náročných algoritmů a technik dokáže, po dodání velkého vzorku pročištěných dat, nalézat mezi jednotlivými daty souvislosti a postupně upravovat nalezené souvislosti na základě měnících se dat – tj. „učit“ se. Navíc stroj pracuje i s hypotézami, které člověk mnohdy nevědomky odmítá anebo naopak nevidí, díky čemuž dokáže eliminovat tzv. provozní slepotu.

Základem strojového učení je složitý a komplexní algoritmus determinující, jakým způsobem se bude stroj učit a nalézat souvislosti. Dalším pilířem strojového učení je výpočetní výkon potřebný k jeho aplikaci. Aby výpočty trvaly řádově minuty či dokonce méně, je obvykle potřeba rozsáhlého výkonu a serverové infrastruktury, kterou pro dané účely vlastní jen málo firem. Přirozeně se proto nabízí využití cloudových služeb, resp. serverového výkonu formou služby, když potřebuji např. nárazově strojové učení aplikovat na velké objemy dat a následně danou kapacitu nevyužívám a tedy ani nechci platit. Proto přichází Microsoft se službou Azure Machine Learning, která nabízí řešení strojového učení formou služby, kdy platím jen za čas, po který služby využívám. Díky tomu mohou i začínající firmy v oblasti zpracování dat získat přístup k nástrojům, které byly dřív dostupné jenom nejvyspělejším podnikům. Dalším klíčovým atributem pro použitelnost Azure Machine Learning v reálném provozu je, že uživatel má vše k dispozici na jednom místě – tedy úložiště pro data, potřebný výkon, připravené algoritmy, intuitivní prostředí pro experimenty a nástroje pro aplikaci do reálného provozu.

Jak strojové učení v praxi funguje?

Strojové učení začíná přípravou dat. Pokud třeba chcete odhalit, jaké svetry se budou v lednu 2016 prodávat nejvíc, je důležité zajistit jednotné pojmenování barev i produktů. Zelená musí být zkrátka zelená a není možné jí jednou říkat zelenkavá, podruhé brčálově zelená a potřetí zelená. Stroj tyto nuance neumí rozpoznat, tedy dokud ho to nenaučíte.

Obr. 1: Ukázka experimentu v prostředí Azure Machine Learning studia

Dalším krokem je vytvoření modelu v Azure Machine Learning, se kterým se bude pracovat. V něm je potřeba definovat, jakou veličinu hledáte a jakými statistickými zákonitostmi se podle vás řídí. K tomu je již potřeba pokročilejších znalostí statistiky i základní znalosti charakteru dat. Azure Machine Learning následně pomocí experimentu vaše hypotézy ověří a pomůže vám tak s nastavením metrik jednotlivých statistických veličin. Vše se přitom děje v jednoduchém webovém drag&drop prostředí, s využitím připravených algoritmů a bez potřeby programování.

Jediným kliknutím uděláte z modelu webovou komponentu

Jakmile pomocí experimentů určíte statisticky nejlepší model, je možné z něj jediným kliknutím udělat webovou komponentu, resp. aplikaci, kterou můžete plnit dalšími daty, na která se bude daný model aplikovat a podle kterých se také bude automaticky učit. Mějme tedy např. komponentu pro určení budoucí poptávky po svetrech, kterou dál plníme daty, třeba plně automaticky, přímo z databáze ERP systému. Té se pak kdykoliv můžeme dotázat na poptávku po svetrech v námi požadovaném období a barvě a ona nám odpoví v počtu kusů, včetně statistické odchylky. Pro tento zdánlivě jednoduchý úkon bude Azure Machine Learning pečlivě vyhodnocovat všechny zadané ukazatele a nalezené souvislosti – třeba, když zjistí, že substitutem pro svetry jsou mikiny anebo lehčí bundy, anebo že když se začínají prodávat teplejší černé kalhoty, roste i prodej svetrů žluté barvy.

Okno do budoucnosti

Služba strojového učení je vlastně takové okno do budoucnosti určené pro střední a velké firmy, které mají dostatek dat i vlastní analytiky. Ti budou moci svoji práci díky Azure Machine Learning povýšit od nalézání souvislostí metodou pokus-omyl na seriózní systémové hledání všech souvislostí s o několik řádů rychlejší cestou k požadovanému výsledku. Systém je limitován jen přesností dat a umem analytiků.

Robert Havránek