Во всех сферах ML выполняет всё больше задач. Если в DMP сегменты формируют ML-модели, значит, человек больше не нужен? На самом деле всё немного сложнее. Как устроена работа и обучение ML, мы спросили Игоря Шведуна, Head of ML AmberData.

💬 Игорь Шведун, Head of ML AmberData: «Полностью убрать человека из процесса не получится. Если модель ошиблась или результат не соответствует задаче, должен быть тот, кто это заметит и возьмёт ответственность. При этом ML берёт на себя работу, которую человеку делать сложно, долго или невозможно: анализировать большие массивы данных и поведенческие паттерны пользователей, находить закономерности и собирать аудитории по заданным критериям.

📊 Например, наш LAL-сервис. Человек задаёт исходную аудиторию — пользователей, которые оставили заявку на кредит на сайте банка. Модель анализирует их поведение на этом сайте и за его пределами, находит общие закономерности и ищет других пользователей со схожими паттернами, которых практически невозможно обнаружить вручную.

💊 Другой пример — фарм-сервис AmberData. Человек описывает целевую аудиторию и её параметры, а ИИ-модель анализирует не только поведенческие паттерны, но и большую базу знаний о лекарственных препаратах, структурирует информацию и формирует результат. Но обучать модель, проверять её работу и контролировать итог по-прежнему должен человек.

У человека остаётся то, что сложно автоматизировать: фантазия, изобретение новых подходов и постановка правильных вопросов. Модель перерабатывает знания и данные, которые у нас уже есть, а человек придумывает, что ещё можно с ними сделать». ━━━━━━━━━━━━━━ ❓ Кто в итоге победит — человек или машина?

Скорее, те, кто научится эффективно работать вместе. Сейчас как никогда важно сохранять высокую скорость тестирования гипотез и проверки результатов. Код сегодня пишется почти мгновенно, поэтому особую ценность мы видим в оценке качества всей системы и её последовательном улучшении. По-другому — никак.

🟠 Подписывайтесь на AmberData— рассказываем о технологиях, данных и людях, которые стоят за большими данными.