Uczenie maszynowe w firmie: praktyczne zastosowania

Gdzie uczenie maszynowe faktycznie zastępuje ręczną pracę?

Najwięcej ręcznej pracy znika tam, gdzie trzeba coś zaklasyfikować albo przewidzieć, a człowiek i tak działa według powtarzalnego schematu. Zamiast pisać instrukcje warunkowe w stylu „jeśli X, to Y”, dostarczasz algorytmowi przykłady i pozwalasz mu samodzielnie odkryć wzorce. Im więcej danych mu dasz, tym lepsze wyniki osiąga.

Weźmy biuro rachunkowe, które musi ocenić ryzyko błędu w deklaracji VAT. Zamiast ręcznie przeglądać tysiące faktur, możesz pokazać modelowi setki poprawnych i błędnych rozliczeń. On sam znajdzie zależności, których nie da się zapisać prostą regułą, a potem będzie wskazywał dokumenty wymagające uwagi człowieka. To samo działa w wykrywaniu oszustw podatkowych, gdzie system łączy kilka wielkich baz danych i szuka nietypowych transakcji.

Takie działanie to uczenie nadzorowane, czyli trenowanie na parach: dane wejściowe i oczekiwany wynik. Dwa główne obszary to regresja, czyli przewidywanie wartości, na przykład ceny samochodu na podstawie roku produkcji i przebiegu, oraz klasyfikacja, czyli przypisywanie do kategorii, jak filtr spamu w skrzynce mailowej.

Gdy nie masz gotowych odpowiedzi, wkracza uczenie nienadzorowane. Algorytm dostaje surowe dane bez etykiet i sam znajduje powiązania, na przykład grupuje klientów sklepu internetowego według podobnych zachowań zakupowych. W ten sposób odkrywasz segmenty, o których istnieniu nie miałeś pojęcia, i dopasowujesz ofertę do realnych oczekiwań.

Które zadania z twojej firmy nadają się do uczenia maszynowego?

Zacznij od rzeczy, które już dziś robisz ręcznie według powtarzalnego schematu. Jeśli codziennie przeglądasz faktury i decydujesz, które wymagają dodatkowej weryfikacji, to jest zadanie dla uczenia maszynowego. Zamiast pisać instrukcje warunkowe, dostarczasz algorytmowi przykłady i pozwalasz mu samodzielnie odkryć wzorce, a im więcej danych, tym lepsze wyniki. Sprawdź, czy masz w firmie zapisane decyzje z przeszłości. Uczenie nadzorowane uczy się na parach wejście i oczekiwane wyjście, czyli na danych, które mają dołączone rozwiązanie, tak zwane etykiety. Przykład z życia: prognozowanie wartości samochodu na podstawie jego marki, roku produkcji, przebiegu i rodzaju paliwa. Twój odpowiednik to wycena usługi albo oszacowanie czasu realizacji zlecenia na podstawie historii podobnych projektów. Tam, gdzie nie masz gotowych odpowiedzi, działa uczenie nienadzorowane. Wrzucasz surowe dane i zostawiasz algorytmowi całą pracę związaną ze znalezieniem powiązań. Tak określa się grupy podobnych użytkowników robiących zakupy w sklepie internetowym. Ty możesz w ten sposób odkryć, którzy klienci kupują razem, i przygotować oferty dopasowane do ich zachowań. Najlepszy kandydat to jednak zadanie, w którym algorytm robi to, czego człowiek nie jest w stanie spamiętać. Systemy oparte na uczeniu maszynowym sprawdzają się tam, gdzie opracowanie konwencjonalnych zasad jest trudne lub niewykonalne, jak ochrona przed spamem czy rozpoznawanie obrazów. W twojej firmie może to być wykrywanie nieprawidłowości w księgach albo segregowanie dokumentów na podstawie ich treści.

Jak uczenie maszynowe radzi sobie z dokumentami, fakturami i mailami?

Faktury, umowy i maile to dla uczenia maszynowego chleb powszedni, choć na pierwszy rzut oka wcale tak nie wygląda. Zamiast pisać instrukcje warunkowe w stylu „jeśli X, to Y", dostarczasz algorytmowi przykłady i pozwalasz mu samodzielnie odkryć wzorce. Im więcej danych mu dasz, tym lepsze wyniki osiągnie.

Weźmy zwykłą fakturę od kontrahenta. Algorytm dostaje setki takich samych dokumentów z przeszłości, z których każdy ma już poprawnie uzupełnione pola: numer, datę, kwotę, NIP. Na tej podstawie buduje model matematyczny, który uczy się, gdzie w dokumencie szukać tych informacji, nawet jeśli każdy wystawca układa je inaczej.

Podobnie działa to z mailami. System uczy się na parach wiadomości i oczekiwanych reakcjach, np. oznaczeniu „do zapłaty" albo „do weryfikacji". Z czasem potrafi sam zaklasyfikować nową korespondencję i podpowiedzieć, co z nią zrobić, zanim człowiek w ogóle na nią spojrzy.

To, co kiedyś wymagało ręcznego sprawdzania każdego dokumentu, dziś robi się automatycznie, a system doskonali się z każdym kolejnym przypadkiem. Dla firmy oznacza to mniej powtarzalnej pracy i więcej czasu na sprawy, które naprawdę wymagają ludzkiej uwagi.

Co musi się wydarzyć, zanim algorytm zacznie podejmować decyzje?

Zanim algorytm zacznie podejmować jakiekolwiek decyzje, musi najpierw przejść coś, co w skrócie można nazwać szkołą. Zamiast pisać mu instrukcje krok po kroku, pokazujesz mu setki albo tysiące przykładów i pozwalasz, żeby sam wyłapał z nich reguły. To tak, jakbyś nowej księgowej nie wręczała instrukcji obsługi, tylko dała jej do przejrzenia faktury i deklaracje z ostatnich kilku lat, żeby sama zauważyła, co się powtarza.

Te przykłady to dane treningowe, czyli materiał, na którym algorytm się uczy. W uczeniu nadzorowanym każdy taki przykład ma z góry znaną odpowiedź, na przykład oznaczenie, czy dana wiadomość to spam, czy zwykła korespondencja. Algorytm patrzy na wejście i wyjście, a potem próbuje odgadnąć zasadę, która je łączy. Im więcej par wejście i oczekiwany wynik zobaczy, tym lepiej potrafi przewidzieć odpowiedź dla danych, których wcześniej nie widział.

Sama liczba przykładów to jednak nie wszystko. Liczy się też ich jakość, bo algorytm uczy się na tym, co dostaje. Jeśli w danych treningowych będą błędy albo luki, model je powieli, a ty zamiast oszczędności dostaniesz kolejne źródło pomyłek. Dlatego przygotowanie danych, czyli ich posprzątanie i uporządkowanie, zwykle zajmuje więcej czasu niż samo trenowanie modelu.

Dopiero gdy model przejdzie szkolenie i zaczniesz go sprawdzać na nowych, nieznanych mu danych, możesz ocenić, czy faktycznie się czegoś nauczył. Wtedy algorytm zaczyna być użyteczny, na przykład do przewidywania wartości albo klasyfikowania dokumentów. Wcześniej to nie jest jeszcze gotowe narzędzie, tylko projekt w trakcie nauki.

Kiedy uczenie maszynowe nie jest dobrym pomysłem?

Zacznijmy od prostego testu: czy masz w firmie choćby tysiąc dobrze opisanych przykładów tej samej sytuacji? Model uczenia maszynowego uczy się na zasadzie doświadczenia, tak jak człowiek, który robi to samo po raz setny. Jeśli prowadzisz biuro rachunkowe i masz w systemie historię dziesięciu tysięcy faktur z poprawnie zaksięgowanymi kategoriami, algorytm ma się od czego uczyć. Jeśli dopiero zaczynasz zbierać dane albo masz ich garstkę, model nie ma wzorca do odkrycia i zamiast pomagać, będzie zgadywał. Sprawdź też, czy problem w ogóle da się opisać regułami. Jeśli Twoja księgowa potrafi wytłumaczyć, dlaczego zakwalifikowała daną fakturę do kosztów, to znaczy, że proces jest przewidywalny i uczenie nadzorowane, czyli nauka na parach pytanie i poprawna odpowiedź, ma sens. Gorzej, gdy decyzje zależą od niuansów, których nikt nie potrafi nazwać. Wtedy model, zamiast odkrywać ukryte zależności, utrwali przypadkowe powiązania, które w danych nie mają nic wspólnego z rzeczywistością. Uczenie maszynowe sprawdza się tam, gdzie ręczne programowanie reguł jest trudne albo niewykonalne. Filtr antyspamowy to klasyczny przykład. Jeśli Twój problem wygląda podobnie, czyli masz dużo danych i nie wiesz, jakie zasady nimi rządzą, warto inwestować. Jeśli jednak wystarczy prosta formuła w Excelu albo kilka instrukcji warunkowych, model będzie jak wyścigówka do wożenia ziemniaków: drogi, skomplikowany i w praktyce nieużyteczny. Zanim więc zaprosisz specjalistów od sztucznej inteligencji, policz swoje zasoby i spróbuj opisać proces na kartce. Model to nie magia, tylko matematyka zbudowana na przykładach. Bez solidnej porcji danych treningowych, czyli historii poprawnych decyzji, najlepszy nawet algorytm nie ma się czym nakarmić.

Od czego zacząć pierwszy projekt i jak sprawdzić, że działa?

Pierwszy projekt z uczeniem maszynowym najprościej zacząć od problemu, który już dziś spędza ci sen z powiek, a nie od szukania zastosowań dla modnej technologii. Dobry kandydat to zadanie powtarzalne, które zajmuje pracownikowi godziny, na przykład ręczne przepisywanie danych z faktur do systemu albo sortowanie zapytań od klientów. Zamiast pisać instrukcje krok po kroku, dostarczasz algorytmowi przykłady i pozwalasz mu samodzielnie odkryć wzorce, a im więcej danych mu dasz, tym lepsze wyniki osiągnie.

Zanim zaangażujesz zespół, sprawdź, czy w ogóle masz czym karmić model. Uczenie maszynowe to obszar sztucznej inteligencji, w którym algorytmy poprawiają się automatycznie poprzez doświadczenie, czyli ekspozycję na dane. Zbierz więc historie transakcji, faktury, maile z ostatnich lat i oceń, czy są kompletne. Jeśli dane są rozproszone w kilku systemach albo pełne błędów, najpierw je uporządkuj, bo model nauczy się tylko tego, co sam zobaczy.

Kolejność działań przy pierwszym wdrożeniu wygląda zwykle tak:

1. Wybierz jedno konkretne zadanie, na przykład klasyfikację dokumentów albo przewidywanie liczby zamówień na przyszły miesiąc.
2. Przygotuj dane treningowe, czyli zestaw przykładów z oczekiwanym wynikiem, na przykład oznaczone jako "faktura" albo "zamówienie".
3. Przetestuj gotowe narzędzia lub proste algorytmy na małej próbce, zanim zdecydujesz się na budowę własnego modelu.
4. Wdróż rozwiązanie równolegle do pracy człowieka i porównuj wyniki przez kilka tygodni.
5. Sprawdź, czy model faktycznie oszczędza czas i pieniądze, zanim zaczniesz go skalować na inne obszary firmy.

Ostatni krok jest kluczowy. Łatwo dać się przekonać, że skoro model działa na danych historycznych, to sprawdzi się w praktyce. Tymczasem dopiero codzienne użytkowanie pokazuje, czy dobrze radzi sobie z nowymi przypadkami. Zacznij od małego zakresu, mierz efekty i dopiero wtedy rozszerzaj zastosowania na kolejne procesy w firmie.