Як використовувати машинне навчання в бізнесі — кейс та 7 порад від Jooble

Перші приклади застосування ШІ

Один з перших успішних прикладів застосування штучного інтелекту — це система ігор на виживання Checkers (або шашки), розроблена у 1952 році. Вона могла грати проти людини та робити розумні ходи. Іншим прикладом є система ELIZA. її розробили у 1967 році. ELIZA використовувала ключові слова, введені користувачем, для генерації відповіді, що створювало враження діалогу.

Сьогодні розробниками штучного інтелекту є кілька світових технологічних гігантів, зокрема Google, Meta, Microsoft. Вони займаються дослідженням та створенням технологій. А також — мають змогу утримувати величезну команду фахівців, що працюватимуть над цими технологіями протягом 2-5-10 років.

Отож, хоч якісь люди знають, що їх не звільнять. А як бути решті бізнесів? Де взяти кошти та людей на розробку ШІ? Ніде. Замість цього можна використовувати вже створені моделі штучного інтелекту. Розберемося, як робить це Jooble та що можна впровадити іншим бізнесам. 

Чому ми обрали Machine Learning

Jooble — великий агрегатор вакансій. Зараз ми маємо понад 1 млрд відвідувань на рік. Кожен візит — це дані, які потрібно аналізувати та використовувати для покращення продукту та позитивного досвіду користувачів.

Тому в нашій роботі ми використовуємо алгоритми машинного навчання — як прості лінійні моделі, так і великі дерева рішень. 

Перші кроки 

Історія Data Science в Jooble почалася, коли ми зрозуміли, що маємо величезну кількість даних та статистики про користувачів та вакансії, але не знаємо, як зробити їх корисними для клієнтів. 

Так з’явилася перша команда Data Science в Jooble у 2014 році з трьох людей. Вона займалася вебсайтом, щоб у відвідувачів був якнайкращий досвід користування.

Зараз маємо 20 фахівців: Developers, Data Entry та Data Scientists. Департамент складається з:

• двох команд дата-саєнтистів — розробка моделей, глибока аналітика, забезпечення стабільності пайплайнів даних;
• команди фулстек-розробників — будь-які дії, які потребують зміну в коді сайту та сервісів, що можуть замовити як дата-саєнтисти, так і команда роботи з даними;
• команди роботи з даними — забезпечують навчання з учителем — supervised learning.

Це дозволяє розробляти готові рішення для внутрішнього використання, а не лише окремі складові.

Набори даних та моделі

Спочатку ми мали лише інфраструктуру для зберігання Big Data та ще не вміли створювати набори даних для моделювання машинного навчання. 

Довелося починати з нуля. Ми зібрали дані та створили набори, які потім використовували для навчання моделей. Першою з них була rescorer — це модель перерозподілу базового ранжування. Завдяки їй ми можемо пропонувати користувачеві найцікавіші вакансії залежно від запиту.

За допомогою наступних моделей ми змогли аналізувати пошукову активність користувачів та контент про вакансії, який їх цікавив.

У результаті отримали краще розуміння запитів: що користувачі мають на увазі, коли вводять певні ключові слова в пошукове поле на сайті. 

За нашими підрахунками, проєкт з машинного навчання за 2022 рік дозволив збільшити дохід та показники користувачів у пріоритетних для Jooble країнах на 5–12%. 

Пошукова модель Jooble

Пошукова модель Jooble — це програма, яка допомагає людям знайти роботу. Вона працює так: 

• Ви вводите на сайті ключові слова, пов’язані з бажаною посадою або професією. 
• Пошукова модель аналізує безліч вакансій із різних ресурсів та збирає інформацію, яка відповідає вашому запиту. Враховуються різні чинники (назва вакансії, місцеперебування, вимоги тощо). 
• Після цього на сайті відображаються результати.

У Jooble ми оцінюємо ефективність кожної окремої ітерації розробки, а не загальну ефективність системи.

Наприклад, якщо є простий базовий пошук, який ми хочемо покращити, то додаємо математичну модель до пошуку та проводимо A/B-тестування:

1. Спочатку випадково розподіляємо частину користувачів на дві групи: одній пропонуємо звичайний пошук, а іншій — пошук з інтегрованою моделлю перерозподілу рейтингу. 
2. Потім збираємо статистику, оцінюємо різні показники користувачів та аналізуємо, чи є результати за певний період статистично значущими. 
3. Якщо результат відповідає нашим очікуванням, ми вважаємо нову модель кращою за попередню, і вона стає новою базовою моделлю. 

Будь-які майбутні покращення також реалізуємо за допомогою A/B-тестування, щоб переконатися, що зміни є ефективними перед тим, як впроваджувати їх у продукт.

Раніше ми власноруч готували пошукову модель, наприклад, прописували оновлення. Тому процес створення нової версії міг тривати іноді більше місяця. Тепер пошукова модель Jooble донавчається без нашого втручання кожного дня на основі даних за попередній день. Це відбувається завдяки великій кількості накопичених даних про дії користувачів. 

Що це дає

Machine Learning — це потужна сила, яка:

• здатна робити передбачення на основі аналізу величезних обсягів даних, дозволяючи ухвалювати обґрунтовані рішення і прогнозувати результати;
• автоматизує та оптимізує процеси, що скорочує час виконання завдань;
• розвивається самостійно, пристосовуючись до нових даних і змін у середовищі, що забезпечує постійне вдосконалення та збільшення продуктивності;
• виявляє складні залежності та шаблони в даних, що дозволяє знаходити тенденції, патерни та корисну інформацію, приховану для людського аналізу.

Пошукова модель Jooble кожного дня допомагає тисячам людей знайти роботу та самовдосконалюється без втручання команди. 

Machine Learning також застосовується в різноманітних галузях — від медицини та фінансів до маркетингу та робототехніки, революціонізуючи підходи до роботи та надаючи нові можливості для розвитку. Тож маленька порада: не нехтуйте даними, учіть моделі працювати на потреби вашого бізнесу і впливайте на вектор розвитку компанії. 

Як запровадити

Пропоную сім порад, як запровадити Machine Learning у ваш бізнес: 

1. Зосередьтеся на практичному використанні. Визначте конкретні завдання, які можна розв’язати за допомогою ML. Порахуйте обсяг роботи. Це допоможе уникнути перевантаження на проєкті.

2. Підготуйте дані. Це ключовий етап. Якість результатів буде залежати від якості даних. Дані мають бути структурованими та репрезентативними. Це покращить ефективність моделі.

3. Правильно обирайте алгоритми. Різні завдання вимагають різних підходів. Досліджуйте та експериментуйте з різними алгоритмами, щоб обрати той, який найкраще розв’язує ваше завдання.

4. Реалізація та тестування. Розробка моделей — лише початок. Важливо імплементувати їх у реальний бізнес-процес і систему. Проводьте внутрішнє та зовнішнє тестування, щоб переконатися, що моделі працюють.

5. Спілкуйтеся з колегами-фахівцями. Спільнота фахівців з Machine Learning постійно розвивається. Читайте форуми та блоги, відвідуйте конференції, щоб бути в курсі останніх тенденцій та кращих практик.

6. Забезпечте моделі навчання та оптимізацію. Ваші моделі потребують постійного навчання, підлаштування та оптимізації. Вдосконалюйте їх на основі нових даних та змін у бізнес-середовищі.

7. Підходьте до завдань креативно. Інновації виникають під час експериментів. Не бійтеся думати креативно та пробувати нове.

Успіх впровадження Machine Learning залежить від того, наскільки ви зможете зробити його корисним для вашого бізнесу. 

Не поспішайте, ставте чіткі цілі, та запроваджуйте рішення поетапно. Використання ML — це постійний процес, який потребує вашої уваги та зусиль.

Реклама у Vector

Знайшли помилку? Виділіть її і натисніть Ctrl+Enter