Według raportu Gartner firmy, które będą efektywnie wykorzystywać posiadane przez siebie dane w procesie podejmowania decyzji biznesowych, zdobędą ponad 20% przewagę nad swoją konkurencją. Czy proces pozyskiwania informacji można zautomatyzować?

Coraz więcej osób oraz firm z różnych branż docenia ogromny potencjał uczenia maszynowego, czyli systemów informatycznych, które w sposób automatyczny wydobywają ukryte w danych źródłowych informacje, analizują je przy użyciu wyrafinowanych algorytmów, takich jak sieci neuronowe. Na podstawie wyników tych analiz dostarczają opisowych wyjaśnień zastanych sytuacji (analiza deskrypcyjna odpowiadająca na pytanie, co się wydarzyło), podają przyczyny zaistniałych zdarzeń (analiza diagnostyczna odpowiadająca na pytanie, czemu coś się wydarzyło), uzupełniają brakujące dane, np. dane dotyczące przyszłej sprzedaży (analiza predykcyjna odpowiadająca na pytanie, co się wydarzy) oraz wspierają proces podejmowania decyzji (analiza preskryptywna odpowiadająca na pytanie, co powinno się zrobić, np. w jaki sposób zwiększyć sprzedaż czy zatrzymać wartościowych klientów).

Powodem rosnącej popularności tej dziedziny informatyki jest rosnąca lawinowo ilość danych cyfrowych. Dziś zbierane są one nie tylko w tradycyjnych systemach B2B, takich jak systemy ERP, ale również przez coraz większą liczbę automatycznych urządzeń (najszybciej rozwijającą się siecią komputerową jest właśnie internet rzeczy) oraz przez użytkowników portali społecznościowych, takich jak Facebook.

Nadal jednak udane wdrożenie systemu uczenia maszynowego jest zadaniem skomplikowanym i czasochłonnym, ponieważ:

• Wymaga ono specjalistycznej wiedzy z różnych dziedzin, w tym: budowy i działania algorytmów data mining, statystyki, oraz znajomości języków programowania takich jak R, SQL, DAX czy DMX.
• Kompletny system uczenia maszynowego tworzony jest przy użyciu różnych narzędzi pozwalających przechować dane źródłowe, ocenić i poprawić ich jakość, zbudować modele data mining oraz udostępnić użytkownikom wyniki. A to wymaga udziału w projekcie przynajmniej jednego specjalisty znającego każdą z zastosowanych technologii.
• Uzyskanie wartościowych wyników wymaga przeprowadzenia wielu eksperymentów (zbudowania wielu modeli realizujących to samo zadanie), porównania ich wyników i wybrania najlepszego rozwiązania. Ponieważ każdy eksperyment wymaga przeanalizowania dużych ilości danych, ich przeprowadzenie w rozsądnie krótkim czasie wymaga użycia komputerów o potężnej mocy obliczeniowej.

Wszystkie trzy problemy rozwiązuje nowa, dostępna na platformie Microsoft Azure usługa uczenia maszynowego, czyli Azure Machine Learning. Celem artykułu jest przedstawienie tej usługi – w pierwszej części dowiemy się, jak z nią pracować i przeprowadzimy prosty eksperyment uczenia maszynowego, w części drugiej poznamy dostępne algorytmy data mining, a w części trzeciej zbudujemy kompletny system uczenia maszynowego.

> Usługa Azure Machine Learning

Wszystko, czego potrzebujemy, żeby skorzystać z usługi Azure Machine Learning (Azure ML), to przeglądarka internetowa – zbudowanie przy jej użyciu systemu uczenia maszynowego nie tylko nie wymaga instalowania jakiegokolwiek oprogramowania, ale również zakupu i utrzymania dodatkowych serwerów.