Машинное обучение - технология будущего или она подходит вашему бизнесу уже сегодня? Этим вопросом задается множество бизнес-лидеров, поскольку ежедневно новшества в сфере ИИ и машинного обучения расширяют границы того, что мы знали о технологии. Одним из недавних и мощнейших примеров была демонстрация 8 мая Google своего помощника по бронированию мест в парикмахерских салонах и столиков ресторанов, продемонстрировавшего одновременно вдохновляющую и пугающую ясность общения. Панику многих бизнес-лидеров можно понять: если машины так быстро учатся, насколько далеко стоит их бизнес от эффективного использования машинного обучения?

Хорошие новости: это только начало

Несмотря на то, что часть работы Google заключается в том, чтобы быть неким диссидентом, подрывающим основы новыми и передовыми технологиями, перед большинством ИТ-директоров стоит задача предоставления решений, которые дают бизнесу результаты. Помимо  компаний, соревнующихся в разработке беспилотников или ведущих борьбу за лидерство по системам распознавания лиц, немногие компании выяснили, как монетизировать вид машинного обучения, сфокусированного на обучении роботов человеческому поведению. Международная корпорация данных (IDC) прогнозирует, что к 2021 году инвестиции в системы когнитивного и искусственного интеллекта вырастут до более чем 52 миллионов долларов.

Пусть машины останутся машинами

Где ИТ-директора сосредотачивают свои бюджеты и видят применение машинному обучению? Вместо того, чтобы искать способы, благодаря которым технология обретет больше человеческого поведения, ИТ-директора могут и должны использовать больше преимуществ, которые имеют компьютеры по сравнению с людьми. Например,  сегодня компьютеры могут обрабатывать и анализировать большие, сложные наборы данных в миллисекундах. Добавьте возможности машинного обучения в эту колоссальную, быструю аналитическую способность, и вы неожиданно получите инструмент BI, который может сканировать постоянно растущие сложные бизнес-данные, отслеживать тенденции, анализировать полученный результат и давать идеи и потенциальные решения.

BI в действии

В настоящее время BI, обладающая способностью сочетать большую аналитическую работу с возможностями машинного обучения, - это то, где мы видим, что несколько разных отраслей занимают стратегические набеги в искусственный интеллект. Вот несколько примеров того, как машинное обучение уже усердно работает в нескольких отраслях:

• Финансовые услуги: сектор финансовых услуг - это сектор, богатый данными. Каждая транзакция и взаимодействие с клиентами создают данные, которые могут быть проанализированы для улучшения услуг и удовлетворения. Используя машинное обучение, финансовые учреждения могут следить за шаблонами поведения клиентов, от затрат до экономии до инвестирования, анализировать тенденции и предлагать специальные финансовые консультации и продукты.
• Розничная торговля: интернет-магазины известны своей способностью собирать и использовать данные клиентов, чтобы максимизировать продажи и удовлетворенность. Этот вид сбора информации и обучения распространяется повсеместно, поскольку розничные продавцы обращаются к  BI и умным машинам, чтобы быстро определить, когда и где самое лучшее время - предлагать скидки, менять продукты или пересматривать цены. Вы видите это со скачками цен в таких компаниях, как Uber и Lyft, которые используют данные о погоде, трафике и событиях, чтобы определить цены в реальном времени. Инструменты бизнес-аналитики будут по-прежнему в состоянии идти все глубже и шире, стремясь найти тенденции в разных регионах, в разных временных рамках и по демографическим показателям и помогая компаниям лучше знать и предвосхищать ожидания своих клиентов.
• Здравоохранение: в здравоохранении, алгоритмы глубокого обучения нужны, чтобы помочь с медицинскими диагнозами. Например, Стэмфорд разработал алгоритм, способный диагностировать рак кожи, изучая данные и полученные ими изображения. В медицинской области компьютеры преимущественно обучаются изучению изображений и выявлению потенциальных проблем и аномалий. Алгоритмы также начинают совершенствовать клинические испытания и фармацевтическое развитие, расчесывая наборы данных в различных источниках (лаборатории, учреждения, исследования), чтобы помочь определить факторы успеха и / или потенциальные проблемы.

Умные машины уже здесь

Хотя они, возможно, еще не водили наши машины и не строили наши дома, умные машины сильны в работе, превращающей имеющиеся у нас данные в нужные нам ответы. Для руководителей бизнеса, интересующихся, с чего начать в машинном обучении, ответ заключен в самом вопросе. Назовите самые трудные вопросы, на которые ваш бизнес хочет ответить? Если есть данные для изучения, есть и умные машины и инструменты BI, которые могут помочь вашему бизнесу в ответах.

No Comments