Рождение области искусственного интеллекта в 1950-х годах предопределило новую веху в научной мысли: с тех пор стало возможным использовать компьютерные программы для решения математических, экономических и других задач, которые раньше полагались на человеческий интеллект. Дальнейшая разработка программ и их растущая сложность потребовали дополнительной работы над кодом, правилами и деревьями решений. В этот момент, осознав потребность в более продвинутом подходе к обработке данных, исследователи пришли к тому, что сегодня известно как «машинное обучение» - способности компьютерных систем учиться без явного программирования.

Сегодня машинное обучение является неотъемлемой частью поисковых систем, систем навигации, провайдеров электронной почты и социальных сетей. Но в последние несколько лет на рынке мобильных приложений наблюдается самый большой рост использования машинного обучения для настройки взаимодействия с приложением, увеличения продаж и обеспечения безопасности приложений.

Значительная часть современных мобильных приложений в той или иной степени подключена к машинному обучению с целью улучшения взаимодействия с пользователем и повышения функциональности приложений. Примеры ML в приложении включают Google Maps (прогнозирование трафика, функция поиска парковки), Netflix (классификация контента по жанрам, актерам, отзывам, длине, год и т. д., индивидуальные рекомендации), Flo (прогнозирование и отслеживание периода), Uber (расчетное время прибытия, стоимость поездки, информация на картах в реальном времени) , MSQRD (обнаружение лиц в приложении), Tinder (функция «умных фотографий», персональные рекомендации) и многие другие.

Машинное обучение для маркетологов приложений

Согласно глобальному опросу более 3000 руководителей и интервью с более чем 30 экспертами в области технологий, почти 85% из них считают, что ИИ (и машинное обучение, в частности) позволит их компаниям получить или сохранить конкурентное преимущество на рынке. Они рассматривают машинное обучение как инструмент, разрушающий традиционные бизнес-модели и автоматизирующий некоторые рутинные повседневные задачи. Но поскольку область применения машинного обучения постоянно растет, у профессионалов индустрии приложений теперь есть еще больше способов использовать машинное обучение для различных бизнес-целей:

  • Облегчение анализа данных

Платформы машинного обучения могут оценивать данные от наиболее прибыльных пользователей, выполнять поиск похожих профилей в дополнительных приложениях, чтобы собрать дополнительную информацию, такую ​​как предпочтения взаимодействия, поведение, какие видео они смотрят в Интернете и кто может быть на рынке для соответствующих предложений.

  • Прогнозирование тенденций и статистика в реальном времени

Машинное обучение также улучшает то, как компании привлекают клиентов для получения более продуктивного и персонализированного опыта. Те же идеи также анализируются и преобразуются в маркетинговые кампании, которые помогают маркетологам достичь нужного пользователя с нужным сообщением в нужное время на нужном устройстве.

Использование алгоритмов машинного обучения для программной рекламы позволяет дополнительно автоматизировать планирование, покупку и оптимизацию рекламы, одновременно изучая эффективность кампаний для разных аудиторий на основе различных переменных, таких как устройство и местоположение. Затем он использует эту информацию для единственной ставки на инвентарь, которая согласуется с факторами, которые могут принести наибольший успех.

На данный момент большая часть разработчиков приложений полагается на себя, свой отдел UA или решения на основе правил, когда дело доходит до выявления мошенничества. Ручной поиск мошенничества, выполняемый отделами UA, оказывается чрезвычайно трудоемким и энергозатратным процессом, результаты которого сильно коррелируют с опытом менеджера UA. Решения на основе правил хороши для выявления известных моделей мошенничества, но поскольку случаи мошенничества при установке приложений быстро меняются, правила теряют свою эффективность. Таким образом, машинное обучение нашло свое место и для обнаружения мошенничества, и теперь все больше и больше разработчиков приложений переходят на новую технологию, которая обеспечивает более точные и полные результаты.

Глубокое обучение и нейронные сети

В настоящее время компании на рынке приложений используют четыре разные модели машинного обучения:

  • Контролируемое обучение (прогнозная модель, «маркированные» данные)
  • Обучение без учителя (описательная модель, «немаркированные» данные)
  • Полу-контролируемое обучение (смесь «помеченных» и «немаркированных» данных)
  • Обучение с подкреплением (Марковский процесс принятия решений).

Однако, углубившись в тему, мы также можем обнаружить новую область исследований в области машинного обучения, которая называется Глубокое обучение. Это считается более сложным способом анализа значительных объемов данных для решения большого количества проблем, таких как компьютерное зрение, обработка естественного языка и распознавание образов. Глубокое обучение развивается невероятно быстро:

Всего два года назад, благодаря Deep Learning, программе AlphaGo, разработанной Google DeepMind, впервые в истории удалось победить игрока №2 в мире в древней азиатской настольной игре го. Теперь алгоритмы глубокого обучения, использующие более продвинутые вычислительные ресурсы (ЦП и ГП), позволяют использовать более сложные и глубокие модели, что больше похоже на то, как человек делал бы выводы, но в то же время, имея возможность вычислять миллионы вариантов в секунду. Для этого Deep Learning использует многоуровневую структуру алгоритмов, которая называется Искусственная нейронная сеть. Дизайн искусственной нейронной сети вдохновлен биологической нейронной сетью человеческого мозга.

Внедрение нейронных сетей на рынок мобильных приложений

На данный момент нейронные сети все еще являются развивающейся технологией среди профессионалов индустрии приложений, и немногие компании используют ее для собственной выгоды. Однако мы видим свежие примеры использования ИНС для рекламы (оптимизация ставок в реальном времени от группы Alibaba), взаимодействия с клиентами (платформа DialogFlow от Google, которая создает чат-ботов для компаний и сервисов) и целей обнаружения мошенничества (Scalarr's Антифрод решение).

Нейронные сети уже продемонстрировали свои возможности в многочисленных маркетинговых исследованиях, таких как Использование нейронных сетей с глубоким обучением для поиска наиболее эффективных сегментов аудитории, Моделирование реакции потребителей на рекламные слоганы, Улучшенный подход к прогнозированию CTR рекламы ' и многие другие.

Нейронные сети также отлично подходят для задачи обнаружения мошенничества. Обрабатывая миллиарды точек данных и множество связей между ними одновременно, ИНС способна раскрыть множество неизвестных закономерностей, которые в большинстве случаев скрыты от человеческого глаза и ручного анализа. Даже в случае обратного инжиниринга, применяемого к конкретным хорошо известным шаблонам, нейронная сеть может повторно обучаться и показывать хорошие результаты в обнаружении уже измененных типов мошенничества. Возможность накапливать опыт за предыдущий раз, одновременно добавляя новые периоды обучения, повышает эффективность и точность выявления мошенничества. Подобно человеческим навыкам, которые улучшаются постоянной практикой. Хорошим примером использования ИНС для обнаружения мошенничества при установке приложения являются персонализированные нейронные сети Scalarr, которые учитывают все особенности и слабые места приложения. Такой подход существенно повышает качество модели машинного обучения, поскольку мошенничество с установкой приложений характеризуется своей волатильностью: изменением схем мошенничества, появлением новых видов, подтипов и модификаций мошенничества.

Вперед и вверх: формируя будущее машинного обучения

Ожидается, что к 2020 году глобальные расходы на ИИ достигнут 46 миллиардов долларов, поэтому, когда в технологии будет поступать больше денег, все текущие модели машинного обучения и технологии нейронных сетей будут значительно улучшены в будущем. Однако даже сегодня эти технологии могут стать большим подспорьем для всей индустрии приложений.

Первоначально опубликовано на martechseries.com 27 ноября 2018 г.