Основные задачи машинного обучения: какой результат нужен бизнесу

Выбор задачи машинного обучения начинается с того, какой ответ нужен пользователю. Категория обращения, срок доставки, группа похожих покупателей и порядок обработки заявок - разные результаты. Их нельзя оценить одной универсальной «точностью ИИ».

Сначала опишите действие после прогноза. Если сотрудник должен выбрать очередь обработки, ему может быть важнее порядок заявок, чем абсолютная оценка вероятности. Если нужно обещать дату клиенту, одной метки «сложный заказ» недостаточно.

Классификация: выбрать категорию

Классификация предсказывает класс объекта. Например, обращение относится к оплате, доставке или другой теме. Для обучения с учителем нужны примеры с согласованными правильными ответами.

Категории должны соответствовать процессу. Когда сообщение содержит две независимые просьбы, может потребоваться несколько меток или отдельное правило приоритета. Иначе сотрудники будут спорить с моделью из-за разных представлений о правильном ответе.

На проверке полезно смотреть, какие классы путаются. Общая доля верных ответов способна скрывать плохую работу с редкими, но важными обращениями.

Регрессия: предсказать число

Регрессия нужна для числового результата: стоимости, длительности, количества. В учебном примере склад прогнозирует минуты сборки заказа. Проверка сопоставляет оценку с фактической длительностью.

Заранее определите смысл ошибки. Промах на десять минут для короткой операции и для многодневной доставки имеет разную практическую цену. Кроме среднего отклонения, стоит разбирать ситуации, в которых ошибочные обещания особенно дороги.

Количество может требовать дополнительных условий: например, отрицательное число заказов бессмысленно. Ограничения результата входят в постановку и последующую проверку, а не появляются автоматически из названия метода.

Кластеризация: найти похожие объекты

Кластеризация объединяет объекты по сходству выбранных признаков без готовой метки группы для каждого примера. Это может помочь изучить структуру покупательского поведения или найти похожие заявки.

Названия вроде «лояльные» и «чувствительные к цене» не возникают из математического номера кластера. Такие интерпретации нужно подтверждать признаками и дополнительными наблюдениями. Группа может оказаться следствием масштаба столбцов или особенностей выгрузки.

Если бизнес уже знает нужные категории и умеет размечать примеры, исходная задача может быть классификацией. Поиск неизвестных групп и назначение заранее известных классов стоит различать.

Ранжирование: упорядочить кандидатов

Для списка товаров, документов или заявок важен порядок. Задача ранжирования оценивает, какие элементы поставить выше с учётом запроса или цели процесса. Ошибка в верхней части списка может влиять сильнее, чем перестановка двух последних элементов.

Вместе с качеством порядка задайте ограничения процесса. Приоритизация заявок не должна молча нарушать обязательные сроки обслуживания остальных клиентов. Правило выбора и правила работы очереди связаны, но не тождественны.

Как выбрать постановку до разговора об алгоритмах

Ответьте на четыре вопроса: какой объект рассматривается, какой результат нужен, когда он должен появиться и как будет проверяться. Затем уточните, есть ли исторические ответы или только описания объектов.

Например, «хотим больше продаж» ещё не задаёт обучаемую задачу. «Хотим упорядочить обращения для ручного обзвона по вероятности оплаты в ближайший период» уже позволяет обсуждать разметку, доступные поля и проверку. Пользу самого обзвона при этом придётся оценивать отдельно от качества прогноза.

Для первого эксперимента сохраните простой ориентир: как выбрать baseline. Он поможет понять, даёт ли выбранная постановка измеримое преимущество перед текущим процессом.