Проблема этих методов в том, что все они в настоящее время основаны на статистическом прогнозировании, которое содержит элемент ошибки, как показано на следующем рисунке.
Разница между бизнес-аналитикой, статистикой и ИИ сформулирована ниже.
● Бизнес-аналитика традиционно ориентирована на запросы и опирается на аналитиков, выявляющих закономерности (например, какие клиенты самые прибыльные, почему они самые прибыльные и какие характеристики, такие как возраст или профессия, их отличают).
● Статистика также полагается на аналитиков, изучающих свойства (или структуру) данных, чтобы установить распределение данных, но ее отличает математическая строгость при экстраполяции (например, есть ли в реальности разница между потребительскими сегментами, обнаруженная в выборке).
● ИИ, машинное обучение и глубокое обучение полагаются на алгоритмы (а не на аналитиков), которые самостоятельно находят закономерности в данных, позволяющие давать прогнозы и рекомендации.
Хотя и статистическое моделирование, и машинное обучение используются для моделирования бизнес-сценариев, между ними есть некоторые существенные различия [Hartanto 2019].
Некоторые дополнительные отличия:
● Статистическое моделирование подразумевает математическое уравнение, связывающее входы с выходами. В противоположность этому, машинное обучение и глубокое обучение не пытаются найти такое уравнение, а просто пытаются воспроизвести выходные данные по входным.
● Статистическое моделирование требует понимания используемых переменных и делает предположения о вероятностном распределении данных, а машинное обучение и глубокое обучение – нет.
8.3.2.2. Методы машинного обучения
Для обучения машин, как и для обучения людей, могут использоваться разные методы: с наблюдением, без наблюдения, с частичным наблюдением, с мотивацией, перенос знаний.
Обучение с наблюдением
При обучении с наблюдением преподаватель показывает, как правильно играть на пианино, а как неправильно. В идеале количество правильных и неправильных примеров равно. В случае машинного обучения данные состоят из целевой или результирующей (зависимой) переменной, которую требуется предсказать исходя из набора предикторов – независимых переменных. Используя эти наборы переменных, вы создаете функцию, которая сопоставляет входные данные с требуемыми выходными данными. Процесс обучения продолжается, пока модель не достигнет требуемого качества. Примером обучения с наблюдением являются заявки на получение кредита (предикторами здесь могут служить кредитная история, трудовая биография, владение активами, доход, образование), которые были или одобрены, или отклонены (целевые результаты и решения).