মেশিন লার্নিংয়ের ব্যবসায়ের গাইড guide

প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (এনএলপি) থেকে গভীর শিক্ষা এবং এর বাইরে, মেশিন লার্নিং (এমএল) সর্বাধিক জনপ্রিয় ব্যবসায় প্রযুক্তির অনেক দিক প্রবেশ করেছে। কৃত্রিম বুদ্ধিমত্তা (এআই) বিপ্লবের এমএল কেবল একটি কারণ, তবে এটি একটি গুরুত্বপূর্ণ বিষয়। এমএল অ্যালগরিদম হ'ল একটি গুরুত্বপূর্ণ বুদ্ধি স্তর যা আমরা ব্যবহার করি এমন পণ্যগুলিতে বেকড হয় এবং আমরা কেবল ভবিষ্যতে আরও ব্যবহারের ক্ষেত্রে এটি লতানো দেখব।

এমএল অ্যালগরিদমগুলি আমরা প্রতিদিন যে প্রযুক্তি ব্যবহার করি তার ফ্যাব্রিকগুলিতে এম্বেড থাকে। কম্পিউটার দর্শন, গভীর শিক্ষা, এনএলপি এবং এর বাইরে আরও বিস্তৃত এমএল উদ্ভাবনগুলি বাস্তব এআইয়ের চারপাশে আরও বৃহত্তর বিপ্লবের অংশ are এগুলি স্বায়ত্তশাসিত রোবট বা সংবেদনশীল প্রাণী নয় বরং আমাদের অ্যাপস, সফ্টওয়্যার এবং ক্লাউড পরিষেবাদিতে এক ধরণের বুদ্ধি সংহত হয়েছে যা এআই অ্যালগরিদম এবং পৃষ্ঠের অধীনে বিগ ডেটা যুক্ত করে।

ব্যবসায়ের প্রবণতা আরও প্রকট হয়। এমএল আর পুরোপুরি ডেটা বিজ্ঞানীদের একটি দল কর্তৃক গৃহীত বিশেষায়িত গবেষণা প্রকল্পগুলির জন্য ব্যবহার করা হয় না। উদ্যোগগুলি ক্রমবর্ধমান পরিমাণের ডেটা থেকে ক্রিয়াশীল ব্যবসায়ের বুদ্ধি (বিআই) এবং ভবিষ্যদ্বাণীমূলক বিশ্লেষণগুলি অর্জন করতে এমএল ব্যবহার করে। এ কারণেই কেবল এমএল কী তা জানার চেয়ে এটি পূর্বের চেয়ে বেশি গুরুত্বপূর্ণ, তবে কীভাবে এটি বাস্তবের জন্য ব্যবহার করতে হয় সে সম্পর্কে সর্বাধিক কার্যকর কৌশলগুলি শিখতে।

টেড ডানিং, পিএইচডি, ম্যাপআর-এর চিফ অ্যাপ্লিকেশন আর্কিটেক্ট, যা উদ্যোগের জন্য বিগ ডেটা বিতরণ এবং ডেটা ম্যানেজমেন্ট সরঞ্জাম সরবরাহ করে এবং "প্র্যাক্টিকাল মেশিন লার্নিং" হিসাবে তিনি যে বিষয়ে উল্লেখ করেছেন সে সম্পর্কে দুটি বই সহ-রচনা করেছেন। সিলিকন ভ্যালি অভিজ্ঞ কয়েক দশক ধরে মাঠে কাজ করেছেন, এআই কৌশলগুলি এবং স্পেসটি এমন অবস্থানে বিবর্তিত হয়েছে যেখানে জ্ঞানীয় কম্পিউটিংয়ে অগ্রগতি এবং উন্মুক্ত উত্স সরঞ্জামগুলির সহজলভ্যতা এমএলকে সত্যই মূলধারায় নিয়ে এসেছে। ডানিং পিসি ম্যাগের সাথে জারজোনটি কাটাতে, এমএল বলতে আসলে কী বোঝায় এবং কীভাবে ব্যবসায়ীরা তাদের এমএল বিনিয়োগকে সবচেয়ে বেশি বিনিয়োগ করতে পারে সে সম্পর্কে কিছু জ্ঞান এবং সর্বোত্তম অনুশীলন জানানোর জন্য কথা বলেছেন।

একটি ব্যবহারিক সংজ্ঞা

এমএল এর সরল সংজ্ঞা সিস্টেমগুলিকে কোনও স্পষ্ট প্রোগ্রামিং ছাড়াই কাজ করার এবং পুনরাবৃত্তভাবে শিখতে ও সমন্বয় করার ক্ষমতা প্রদান করে। ডানিং বলেছিলেন যে এমএল পরিসংখ্যানের একটি শাখা তবে এটি একটি শাখা যা খুব ব্যবহারিক। তিনি জোর দিয়েছিলেন যে, বাস্তব-বিশ্বের ব্যবসায়িক প্রসঙ্গে আপনি কীভাবে এটি প্রয়োগ করেন তার সাথে আপনার ব্যবহারিক ও বাস্তববাদী হওয়া দরকার। এমএল এর মূল কাজটি এমন একটি ব্যবসায়িক প্রক্রিয়া তৈরি করা যা পুনরাবৃত্তিযোগ্য, নির্ভরযোগ্য এবং কার্যকরযোগ্য।

"মেশিন লার্নিং বৈজ্ঞানিক তথ্যগুলিকে পিছনে দেখার এবং কোন সিদ্ধান্তটি কার্যকর তা কার্যকর করার সিদ্ধান্ত নেওয়ার বিষয়ে নয়, " ডানিং বলেছেন। "এটি প্রত্যাশার বিষয়ে, এবং ভবিষ্যতের বিষয়ে আমরা কী ভবিষ্যদ্বাণী করতে পারি এবং বিভিন্ন পরিস্থিতিতে কী ঘটবে তা জিজ্ঞাসা করার বিষয়ে। এই তথ্যটি নিয়ে যখন ব্যবসা করার কথা আসে তখন আমরা খুব সীমাবদ্ধ পরিস্থিতি নিয়ে কথা বলি যেখানে আপনি প্রতিলিপি চান""

চিত্রের ক্রেডিট: টুড জ্যাকিথ ফিউচারিজম.কম এ। পূর্ণ ইনফোগ্রাফিক প্রসারিত করতে ক্লিক করুন।

ডিপ লার্নিং বনাম সস্তা লার্নিং

আপনি এই বেসিক ধারণাটি এমএল-র মধ্যে বিভিন্ন ক্ষেত্রের বিভিন্ন অংশে ভেঙে ফেলতে পারেন, তবে ডানিং স্পেকট্রামের উভয় প্রান্তে বিশেষত দু'জনের দিকে ইঙ্গিত করেছিলেন: গভীর শিক্ষা এবং তাকে "সস্তা শিখন" বলে। গভীর শেখা আরও জটিল ধারণা।

ডানিং বলেছিলেন, "আমরা মেশিন লার্নিং আরও গভীরতর দিকে যেতে চেয়েছিলাম। শব্দটির এটিই মূল।" "গত 10 বা 15 বছরে এমন কৌশল তৈরি করা হয়েছে যা বাস্তবে এটি করে থাকে al অ্যালগরিদমে ডেটাগুলিতে সম্পর্ক তৈরি করতে অনেক প্রকৌশল কাজ প্রয়োজন হত, যা দীর্ঘকাল ধরে আমাদের মতো চালাক ছিল না were এগুলি হতে চেয়েছিল You আপনাকে এই প্লেটেটে স্পষ্টত উপাত্তটি অ্যালগরিদমগুলি হস্তান্তর করতে হয়েছিল, সুতরাং আমরা এখন এই সমস্ত বৈশিষ্ট্যগুলি হ্যান্ড-কোড ব্যবহার করতাম যা এখন সিস্টেমগুলি নিজেরাই করে ""

গভীর জ্ঞানার্জন যেখানে নিউরাল নেটওয়ার্কগুলির চারপাশে অনেকগুলি নতুনত্ব রয়েছে। এটি কম্পিউটারের দৃষ্টি এবং এনএলপি-র মতো অত্যাধুনিক কৌশলগুলিকে "গভীর" শেখার স্তরগুলিতে একত্রিত করেছে যা চিত্র এবং পাঠ্য স্বীকৃতির মতো ক্ষেত্রে ব্যাপক অগ্রগতি অর্জন করেছে। এটি জটিল মডেলিংয়ের জন্য দুর্দান্ত তবে সহজ, প্রাত্যহিক ব্যবসায়িক ব্যবহারের জন্য ওভারকিল হতে পারে যা প্রতিষ্ঠিত এমএল ফ্রেমওয়ার্ক এবং আরও কম পরামিতিগুলির কৌশলগুলির উপর নির্ভর করতে পারে।

সস্তা শিক্ষা, ডানিং ব্যাখ্যা করেছেন, এর অর্থ সহজ, কার্যকর, চেষ্টা করা এবং পরীক্ষিত কৌশল যেখানে ব্যবসাগুলি চাকা পুনরুদ্ধারে ব্যয়বহুল সংস্থান বিনিয়োগের প্রয়োজন হয় না।

"কম্পিউটিংয়ে, আমরা কম-ঝুলন্ত ফলের বিষয়ে অনেক কথা বলি data তথ্য উপলভ্যতা এবং গণনার ক্ষমতা বৃদ্ধির অর্থ আমরা পুরো গাছকে নীচে নামিয়েছি he" "সরল মেশিন লার্নিং কেবল তথ্য বিজ্ঞানীদের জন্য নয়।"

সস্তা পড়াশুনা কীভাবে কাজ করে?

বেসিক এমএল অ্যালগরিদমগুলি পারস্পরিক সম্পর্কগুলি সনাক্ত করতে এবং সুপারিশ করতে পারে বা অভিজ্ঞতাকে আরও প্রাসঙ্গিক এবং ব্যক্তিগতকৃত করতে পারে। ডানিং বলেছিলেন যে আমরা কম্পিউটারগুলির সাথে কীভাবে কম্পিউটারের সাথে ইন্টারঅ্যাক্ট করি যাতে জিনিসগুলি আরও ভালভাবে কাজ করা সহজতর করার জন্য সস্তা শিখার ব্যবহার করা যায় তার প্রতিটি ক্ষেত্রেই বেশ কয়েকটি সুযোগ রয়েছে।

অনুশীলনে সস্তা শিক্ষার একটি উদাহরণ জালিয়াতি সনাক্তকরণ। ব্যাংক এবং ব্যবসায়ীরা বিস্তৃত জালিয়াতির সাথে মোকাবিলা করে, তবে এটি প্রায়শই ছড়িয়ে পড়ে এবং স্বল্প-পর্যায়ে মূল্যবোধ সম্পর্কিত যে এটি রিপোর্ট করা হয় না। ডানিং ব্যাখ্যা করেছিলেন যে একটি সস্তা-শেখার অ্যালগরিদম (যা এই নির্দিষ্ট কাজের জন্য বিদ্যমান একটি এমএল পরীক্ষা) ব্যবহার করে ব্যবসায়ীরা আরও সহজেই সমঝোতার সাধারণ বিষয়গুলি সনাক্ত করতে পারে যা ব্যবহারকারীদের ঝুঁকির মধ্যে ফেলে এবং জালিয়াতির ধরণগুলি ধরবে যা অন্যথায় হবে না be দৃশ্যমান।

"মনে করুন যে আপনি কোন ব্যবসায়ীকে এমন ডেটা ফাঁস হয়ে গেছে যা প্রতারণার দিকে পরিচালিত করে বলে মনে হচ্ছে। আপনি একটি জি ² পরীক্ষাটি ব্যবহার করে কেবল জালিয়াতি ছাড়াই ভোক্তাদের বিপরীতে ভোক্তাদের লেনদেনের ইতিহাসে কোন ব্যবসায়ীরা বেশি প্রতিনিধিত্ব করছেন তা খুঁজে পেতে পারেন, " ডানিং মো। "এটিকে মেশিন লার্নিং বলা খুব সহজ বলে মনে হয় তবে এটি বাস্তব জীবনে খারাপ ছেলেদের সন্ধান করে this এই কৌশলটির সম্প্রসারণ কিছুটা আরও উন্নত কৌশল বাড়ানোর জন্য ব্যবহার করা যেতে পারে যেখানে সহজতর শেখার অ্যালগরিদমগুলি সফল হয় যেখানে তারা অন্যথায় ব্যর্থ হতে পারে""

সস্তা শিখন বিভিন্ন ধরণের বিভিন্ন উপায়ে ব্যবহার করা যেতে পারে, তাই ডানিং কীভাবে একটি অনলাইন ব্যবসায় এটি ব্যবহার করতে পারে তার আরেকটি উদাহরণ দিয়েছিল। এই উদাহরণে, তিনি ব্যাখ্যা করেছিলেন যে কোনও বিদ্যমান এমএল অ্যালগরিদম কীভাবে একটি সাধারণ মন্তব্য-র‌্যাঙ্কিং সমস্যা সমাধান করতে পারে।

"মনে করুন আপনার কাছে একটি মন্তব্য রয়েছে যার উপরে বেশ কয়েকটি মন্তব্য রয়েছে। তাদের কী অর্ডার দেওয়া উচিত? লোকেরা কীভাবে আকর্ষণীয় বলে মনে করেন সেই অনুসারে মন্তব্যগুলি অর্ডার করার বিষয়ে? লোকেরা মন্তব্যটি কতবার পড়েছেন তা আপনি গণনা করতে পারেন এবং কীভাবে ডানিং বলেছিলেন, "অনেক সময় তারা এটিকে উত্সাহিত করে, তবে এখনও কিছুটা জাদু দরকার।"

"একটি পাঠকের একটি আপভোট সম্ভবত 10 টি পাঠকের মধ্যে আটটি আপগোটের চেয়ে সম্ভবত ভাল নয়, " তিনি ব্যাখ্যা করেছিলেন। "আরও খারাপ, আপনি যদি প্রথম দিকে বিজয়ীদের উপরে রাখেন তবে অন্য মন্তব্যগুলি কখনই দিনের আলো দেখেনি এবং তাই আপনি সেগুলি সম্পর্কে কখনও জানতে পারবেন না Th থম্পসন স্যাম্পলিং নামে পরিচিত একটি ছোট্ট মেশিন লার্নিং এটিকে এমনভাবে সমাধান করতে পারে যাতে নতুন মন্তব্যে ডেটা সংগ্রহ করা যায় in এবং যেখানে র‌্যাঙ্কিং অনিশ্চিত, তবে সাধারণত তাদের এমনভাবে অর্ডার দেয় যা ব্যবহারকারীদের সেরা অভিজ্ঞতা দেয়।"

আপনার ব্যবসা কীভাবে এমএল সর্বাধিক উপার্জন করতে পারে তার জন্য ডানিং সর্বোত্তম অনুশীলনের একটি সেটও রেখেছিল। সফল ব্যবসায়ের কৌশল হিসাবে কীভাবে রসদ, ডেটা এবং বিভিন্ন অ্যালগরিদম এবং সরঞ্জাম ফ্যাক্টরের একটি অস্ত্রাগার, তার জন্য আমাদের 7 টি পরামর্শ মেশিন লার্নিং সাফল্যের গল্পের জন্য দেখুন।

2018 এবং এর বাইরে: এমএল এখন কোথায়

সম্ভবত এটি আপনার জন্য কোনও আশ্চর্য হিসাবে আসে না, তবে বিগ ডেটা এবং সম্পর্কিত ডেটাবেস স্পেসটি কমপক্ষে বলতে দ্রুত বর্ধমান। সান জোসে বিগডাটা এসভি 2018 সম্মেলনের সময়, প্রযুক্তি বিশ্লেষক সংস্থা উইকিউবোন রিসার্চের চিফ রিসার্চ অফিসার পিটার বুরিস এমন ফলাফল উপস্থাপন করেছেন যা বৈশ্বিক বিগ ডেটা শিল্প থেকে প্রাপ্ত আয় 2017 সালে 35 বিলিয়ন ডলার থেকে 2018 সালে 42 বিলিয়ন ডলারে উন্নীত হবে বলে ইঙ্গিত দেয়। সর্বোপরি, বুরিস 2027 সাল নাগাদ আয়কে 103 বিলিয়ন ডলারে পৌঁছানোর পূর্বাভাস দিয়েছে।

এই সমস্ত ডেটা কার্যকরভাবে পরিচালনা করতে, স্মার্ট এমএল সমাধানগুলি এখনকার চেয়ে আরও বেশি প্রয়োজনীয় হয়ে উঠবে। এটি স্পষ্টতই প্রমাণিত যে ভবিষ্যতে এমএল একটি আলোচ্য বিষয় হতে থাকবে। একবছর আগে আমরা যখন ম্যাপআরের ডানিংয়ের সাথে সর্বশেষ কথা বললাম, তখন তিনি ব্যবসায়ের জন্য এমএল-এর কাছে গণনা করা, বাস্তবসম্মত দৃষ্টিভঙ্গি গ্রহণের উপর জোর দিয়েছিলেন। আপনি যখন কারিগরির কথা বলছেন তখন এক বছর দীর্ঘ সময় হয়। আমরা সম্প্রতি ডানিংয়ের সাথে জড়িয়ে পড়েছি এবং তাঁর মতে, আমাদের শেষ কথোপকথনের পর থেকে বিষয়গুলি একই রকম ছিল। "উচ্চতর স্তরে, খুব বেশি কিছু বদলায়নি, " ডানিং বলেছিলেন। "প্রমাণ থেকে যুক্তি দেওয়ার মূল ধারণাটি গত এক বছরে অবশ্যই সংবাদ নয়, তবে কয়েকটি সরঞ্জামের পরিবর্তন হয়েছে।"

এই বিষয়টি মাথায় রেখে ডানিং আরও বলেছিলেন যে মাত্র এক বছর আগে মাঠের চেয়ে বেশি খেলোয়াড় রয়েছে, তবে এ ঘটনাটি খুব ভাল বিষয় নয়। "একটি জিনিস যা ঘটেছে তা হ'ল আরও বেশি বিক্রেতাদের উত্থান যারা 'যাদুবিদ্যার' মেশিন লার্নিংয়ের বিষয়ে কথা বলছেন, এটিতে একটি বাজে শব্দ রাখার জন্য, " তিনি ব্যাখ্যা করেছিলেন। "এখানে একটি বৃহত্তর ভুল ধারণা রয়েছে যে আপনি কেবলমাত্র একটি ডেটা আপনার পণ্যগুলিতে ফেলে দিতে পারেন এবং এ থেকে কিছু সুন্দর অন্তর্দৃষ্টি পেতে পারেন।"

• মেশিন লার্নিং কেন ভবিষ্যত কেন মেশিন লার্নিং ভবিষ্যত
• ধূমকেতু.এমএল পরিবর্তন করতে চায় আমরা কীভাবে মেশিন লার্নিংয়ের সাথে ইন্টারঅ্যাক্ট করি
• গুগল এসকিউএল দিয়ে মেশিন লার্নিংকে সহজতর করে গুগল এসকিউএল দিয়ে মেশিন লার্নিংকে সহজতর করে

ডানিংয়ের মতে এমএল থেকে কোনও যাদুবিদ্যার ফলাফল প্রত্যাশা করা "আন্ডারহেলিং" হতে পারে। তিনি বলেন, "আসলে কী সমস্যাটি গুরুত্বপূর্ণ তা নিয়ে আপনাকে এখনও চিন্তা করতে হবে। আপনাকে এখনও ডেটা সংগ্রহ করতে হবে এবং আপনার সিস্টেমে মোতায়েনের ব্যবস্থা করতে হবে।" "এবং এই বাস্তববাদী, লজিস্টিকাল বাস্তবতা এখনও সমস্যাটিতে আধিপত্য বিস্তার করে।"

ডানিং কিছু সফ্টওয়্যার সংস্থাগুলির দ্বারা প্রদত্ত উচ্চতর বিপণনের বিষয়টি নিয়ে আসে। "যাদুকর এআই ধরণের জিনিস এমনকি কোনও এটিই সম্বোধন করে না, " তিনি বলেছিলেন। ব্যবসাগুলি বিবেচনা করার জন্য তাঁর কাছে এক পরামর্শ রয়েছে। তাঁর মতে, ভাল অভ্যাসগুলি নিশ্চিত করার একটি উপায় হ'ল নির্দিষ্ট এআই ব্যবসায়িক বিশ্লেষককে নিয়োগ দেওয়া যাতে আপনার কোম্পানীর কেউ আপনার ব্যবসায়ের এমন দিকগুলি সনাক্ত করতে পারে যা এমএল প্রযুক্তি ব্যবহার করে উন্নত করা যায়।

"কিছু ক্ষেত্রে এটি আপনার সুযোগকে নতুন সুযোগে বাড়ানো হতে পারে, " ডানিং ব্যাখ্যা করেছিলেন। তবে বেশিরভাগ ক্ষেত্রেই তিনি জোর দিয়েছিলেন যে আপনার প্রতিষ্ঠানের প্রয়োজনীয়তা বোঝার জন্য কাউকে নিয়োগ দেওয়া এবং সেই তথ্যটি আপনার এমএল কৌশলটি পরিচালনার জন্য ব্যবহার করা অত্যন্ত গুরুত্বপূর্ণ।