ML-решения для бизнеса: алгоритмы, модели и примеры применения

Технологии машинного обучения в теории

Машинное обучение — это раздел искусственного интеллекта, который занимается реализацией вычислительных алгоритмов, способных улучшать свою эффективность по мере накопления опыта. Если в традиционном программировании человек описывает шаг за шагом, как нужно действовать в каждой ситуации, то в машинном обучении люди дают машине примеры и позволяют ей самой вывести правила, по которым она будет принимать решения.

Например, компания хочет предсказывать, какие клиенты могут отказаться от услуг. Вместо того чтобы вручную перечислять признаки «клиент уходит, если…», аналитики собирают исторические данные: кто и когда уходил, какие заказы делал, как часто обращался в поддержку. Алгоритм анализирует эти данные и находит скрытые связи. К примеру, что клиенты, которые не пользуются продуктом три дня подряд, с вероятностью 80% откажутся в от него в первый же месяц.

Технологии машинного обучения на практике

В реальной эксплуатации решения на базе машинного обучения — сочетание данных, модели и алгоритмов, инфраструктуры и специалистов.

• Данные — изображения, видео, аудио, текст или исторические данные. Они лежат в основе работы модели.
• Модель — математическая формула для решения конкретной задачи с навыком обучаться и делать прогнозы. Например, оценивать риск оттока клиента.
• Сервис — инженерная разработка, которая стыкует задачи реального мира с математическими моделями. Она позволяет использовать предсказания нейросетей, чтобы получать ответы и передавать их в другие бизнес-системы.

Как внедрить ML-решение в бизнес

Самый простой вариант — это связка моделей и сервиса. Модель разрабатывается на стандартных библиотеках, таких как Python, scikit-learn, PyTorch и TensorFlow. Алгоритмы выбирают под тип задачи и формат данных.

Например, для табличных кейсов подходят алгоритмы машинного обучения из Python вроде логистической или линейной регрессии, деревьев решений и градиентного бустинга. Для текста и изображений часто используют готовые нейросетевые архитектуры из PyTorch и TensorFlow, иногда с дообучением (fine-tuning).

Затем на основе обученной модели делают продукт, который можно встроить в процессы компании. На этапе экспериментов достаточно ноутбука с Jupyter Notebook или виртуальной машины в облаке. Там данные загружают, обучают модель и сохраняют ее в файл (артефакт). Дальше вокруг этой модели строят обертку. Это может быть:

• веб-сервис, например, на FastAPI или Flask, который по запросу принимает данные и возвращает прогноз;
• фоновый скрипт или batch-процесс, который регулярно обрабатывает большие объемы данных;
• интеграция в существующую систему (CRM, мобильное приложение, аналитическую витрину), где модель вызывается как внутренний компонент.

В idChess, idBilliards и idDraughts у нас есть ML-модели, вокруг них — сервис на C++, который использует предсказания и передает их дальше. Над этим слоем — мобильное приложение, которое взаимодействует с сервисом и отдает данные на стриминг. Еще выше — сайты idchess.com и live.idchess.com, которые забирают эти данные и показывают их пользователям. Вся система выстроена слоями.

Андрей Нестеров, ML Team Lead Friflex

По каким метрикам оценивается качество алгоритма

ML-модели могут решать разные задачи от спортивной аналитики до классификации типов опухолей в медицине. Поэтому метрик для оценки качества алгоритма сотни. К тому же, у одних и тех же показателей может быть разный вес в разных контекстах. Для примера возьмем precision и recall.

Представьте, что в небе летит десять птиц и вы стреляете по ним дробью. Recall — это сколько птиц вы сбили. Если попали во все 10 — recall 100%. Если только в половину — recall 50%. Эта метрика показывает полноту, сколько истинных объектов нашла модель. Precision — это точность. Здесь логичнее проводить параллель не с дробью, а с ружьем, которое делает одиночные выстрелы. Вы сделали 10 выстрелов и сбили только четырех птиц. В таком случае из 10 попыток только четыре были точные, precision равна 40%.

В разных задачах precision и recall играют разную роль. Например, в медицинских исследованиях важно добиться стопроцентного recall, то есть не пропустить ни одного случая. Модель должна обнаружить все подозрения на болезнь, даже если среди них окажутся ложные срабатывания. Тут главное — охват, полнота. Дальше проверяет и принимает решения врач.

Бывают ситуации, когда наоборот важна точность. Например, когда ресурсов мало или цена ошибки высока. Тогда главное — не количество найденных случаев, а точность. Чтобы если уж модель выдала результат, то он был правильным.

Как строится работа

Сначала оцениваются идея и данные. Как правило, проводится короткий звонок, чтобы зафиксировать бизнес-цель, что именно должна решать ML-система, доступные источники данных, требования к интеграции и нагрузке. На этом этапе можно достаточно быстро понять, реалистична ли задача, какие существуют риски, какие данные необходимо собрать или доочистить. Такой первичный аудит обычно укладывается в несколько дней и формирует концепцию решения, ориентировочные сроки и порядок бюджета.

Во время оценки окупаемости рассчитывается потенциальный эффект: снижение оттока, рост конверсии, экономия человеко-часов, уменьшение количества ошибок. Эти выгоды сравниваются с затратами на разработку и последующую поддержку. Если модель не показывает вменяемой экономики еще на этапе расчетов, проект обычно не запускают. Если потенциал подтверждается, формируется поэтапный план: пилот, внедрение, поддержка, с прозрачными метриками и бюджетом на каждом шаге.

Стоимость и длительность проекта зависят от трех ключевых факторов: сложности задачи (от простого скоринга до компьютерного зрения в реальном времени), качества и объема данных (наличие готовой истории заметно снижает стоимость) и требований к продукту вокруг модели: интерфейсам, требованиям по отказоустойчивости и безопасности, интеграциям с CRM или ERP, мобильными приложениями, потоковыми сервисами.

Пилотный проект с прототипом модели и проверкой гипотез обычно занимает 4–8 недель. Полноценная промышленная система с масштабируемой инфраструктурой и мониторингом — это уже горизонт от нескольких месяцев и более высокий бюджет.