Что относится к применению machine learning в бизнесе
17 примеров применения машинного обучения в 5 отраслях бизнеса
Машинное обучение (machine learning) лежит в основе многих инновационных технологий искусственного интеллекта. Программы, разработанные с помощью ML, умеют предсказывать поломки оборудования, предугадывать поведение клиентов и принимать логические и аналитические решения почти как люди.
Расскажем, как компании используют machine learning и покажем примеры применения машинного обучения на реальных кейсах.
Машинное обучение в промышленности: управление производством, минимизация простоев и аварий
Минимизация простоев на производстве. Простои из-за поломок, сбоев или нехватки сырья могут стоить заводу миллионы долларов. Машинное обучение помогает их предотвратить. Для этого с датчиков на оборудовании собирают данные, а потом смотрят, при каких показателях возникают сбои. В будущем с помощью этой информации можно предсказать, когда и почему случится простой, как его избежать.
К примеру, может оказаться, что перед поломкой оборудования в цехе всегда поднимается температура. Тогда при повышении температуры система оповестит инженеров, а они вовремя предотвратят проблему.
Создание системы управления производством. С помощью датчиков и машинного обучения можно не только выполнять узкие задачи, например предотвращать поломки, но и управлять всем производством:
Производитель микроконтроллеров Simatic использует платформу на базе IoT и машинного обучения. Она помогает собирать и анализировать информацию с датчиков на оборудовании в реальном времени. Это помогло на 75% автоматизировать производство тысяч видов продукции, в 9 раз увеличить объем производства при тех же площадях и персонале и почти на 100% сократить брак.
Выявление угроз безопасности. Машинное обучение помогает сделать производство безопаснее: выявлять незначительные изменения в работе оборудования и вовремя оповещать о возможной катастрофе.
Разведка новых месторождений. Одна из главных проблем нефтегазовой и горнодобывающей промышленности — сложность в обнаружении новых месторождений.
Машинное обучение помогает ускорить этот процесс. На основе данных о прошлых месторождениях искусственный интеллект строит модели, которые с высокой точностью предсказывают, где искать новые залежи газа или руды.
У компании «Газпром» есть проект «Цифровой керн». Это цифровая лаборатория, где анализируют пробы пласта с помощью технологий машинного обучения. Алгоритмы моделируют условия там, откуда взята проба, и помогают создать цифровой двойник месторождения. С его помощью оценивают запасы полезных ископаемых и подбирают индивидуальный подход к разработке. Это позволяет в 1,5-2 раза увеличить добычу полезных ископаемых из конкретного месторождения, а также искать новые.
Машинное обучение позволяет создавать сложные визуальные модели месторождений. Источник
Машинное обучение в финансах: оценка рисков и борьба с мошенничеством
Оценка кредитоспособности. Обычно в банках кредитоспособность клиента оценивают менеджеры. Сотрудники тратят на оценку много времени и часто ошибаются — отклоняют кредиты тем, кто мог бы их платить, и выдают неплатежеспособным.
Алгоритм можно научить оценивать кредитоспособность клиентов банка. Для этого в него загружают информацию о ранее выданных кредитах: выплачены они или нет, были ли просрочки или досрочное погашение. Все это помогает банку автоматизировать выдачу кредитов.
Борьба с мошенничеством. Банки и их клиенты регулярно теряют деньги из-за мошеннических операций. Распознавать такие операции помогает машинное обучение — специальные алгоритмы учатся выявлять признаки мошеннических операций и вовремя их блокировать.
Примеры машинного обучения для предотвращения мошенничества есть у многих банков. Например, Сбербанк использует ИИ для блокировки подозрительных операций, а недавно поймал с его помощью мошенника. Зарубежный Danske Bank снизил процент ложных обвинений в мошенничестве на 60%.
Примеры машинного обучения в медицине: диагностика и роботизированные операции
Улучшение клиентского сервиса. Чем быстрее в клинике проходит процесс регистрации на прием, тем меньше очереди, удобнее работать врачам и лояльнее пациенты.
Диагностика заболеваний. Если загрузить данные осмотра и диагностики в программу, ее можно научить ставить диагнозы примерно так же, как это делают врачи.
Например, искусственный интеллект Corti прослушивает звонки в скорую помощь и распознает остановку сердца на основе ответов звонящих, их голоса и дыхания. В одном эксперименте программа распознала 93,1% остановок сердца, люди обычно распознают 72,9%. Кроме того, Corti работает быстрее — ставит диагноз за 48 секунд против 79 у диспетчеров-людей.
Сейчас систему внедряют в нескольких европейских городах — она будет работать в службе спасения вместе с диспетчерами. На видео слышно, как ИИ разговаривает с человеком, позвонившим в скорую.
Как внедрить технологии машинного обучения у себя в бизнесе
Согласно Gartner, машинное обучение на пике популярности. Занимаясь разработками и внедрениями решений в области анализа данных и машинном обучении, наша команда DATA4 накопила опыт по ключевым этапам и подводным камням, которым я и поделюсь в статье.
Рассмотрим этапы внедрения:
1. Постановка задачи
Любая технология должна решать конкретные задачи бизнеса. Чтобы описать все применения машинного обучения потребуется отдельная статья, но можно выделить несколько основных областей. Это предиктивная аналитика (скоринг, отток, определение лучшего предложения, сопутствующих товаров и т.д.), анализ текста (отзывы в интернете, модерация контента, темы обращений и т.д.), речевая аналитика и видеоаналитика.
Для успешного внедрения необходимо определить какие бизнес KPI мы улучшаем, как и по какой метрике измеряем результат.
2. Сбор, хранение и предобработка данных
Когда задача поставлена, необходимо создать обучающую выборку (к сожалению, большинство бизнес-задач решаются путём «обучения с учителем»). По нашему опыту, формирование выборки самый длительный этап. Для его сокращения в компании должна быть налажена культуру работы с данными.
Помимо сбора данных, необходимо их очистить и определить особенности, влияющие на итоговый результат.
3. Обучение алгоритма
Разработка алгоритмической части самый интересный, но и самый быстрый этап. На него обычно уходит от нескольких часов до нескольких недель работы.
4. Разработка высокоуровневой обвязки
Решение, должно быть понятно не только специалисту в анализе данных, но и программисту или администратору, который будет внедрять это решение. А если это высоконагруженное решение, или решение с повышенными требованиями к безопасности, возможно, придётся переписать его с Python на другой язык.
5. Интеграция
Как правило, занимает много времени из-за необходимости дополнительных коммуникаций и согласований. Этот этап лучше выполнять внутренними силами команды заказчика.
6. Сбор обратной связи, корректировка модели
Мир постоянно меняется, не все особенности можно учесть в начале разработки. Сбор обратной связи помогает своевременно переобучать модели. В идеале на этом этапе цикл запускается заново, но уже с меньшими временными затратами.
Особенности решений на базе машинного обучения:
Варианты работы со сторонними разработчиками:
Машинное обучение в digital-маркетинге: примеры применения
Соберите все данные для сквозной аналитики вместе с OWOX BI
Соберите все данные для сквозной аналитики вместе с OWOX BI
Пару десятков лет назад первым, что приходило на ум при словах «искусственный интеллект», было восстание машин и Терминатор с обрезом наперевес. Сейчас же этот термин вызывает скорее положительные ассоциации. Практически каждый человек сталкивается с машинным обучением в обычной жизни. К примеру, когда он общается с чат-ботом на сайте, встречает рекламные предложениях, соответствующие его увлечениям, или настраивает спам-фильтр в почте.
Для маркетологов машинное обучение — это возможность быстро принимать важные решения на основе больших данных. А какие именно решения — вы узнаете в этой статье.
бонус для читателей
Как применять машинное обучение в атрибуции
Содержание
Что такое машинное обучение
Для начала немного терминологии. Согласно Википедии, машинное обучение (англ. Machine Learning, ML) — это класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач.
Существует много способов машинного обучения, но условно их можно поделить на две группы: обучение с учителем и без.
В первом случае учитель, то есть человек, снабжает машину исходными данными в формате «ситуация — решение». Машина их анализирует и учится самостоятельно классифицировать в дальнейшем. Например, когда мы помечаем входящие сообщения как спам.
Во втором случае компьютер получает несортированную информацию, то есть «ситуацию» без «решения», и сам учится ее классифицировать на основе схожих либо отличных признаков без подсказок человека.
Машинное обучение в онлайн-маркетинге
Маркетологи используют машинное обучение, чтобы находить шаблоны (паттерны) в действиях пользователей на сайте. Это помогает им предугадывать дальнейшее поведение других пользователей и оперативно корректировать рекламные предложения.
В чем потенциал поведенческих данных?
Термином «паттерн» в психологии называют определенный набор, шаблон поведенческих реакций или последовательностей стереотипических действий. Поэтому говорить о паттернах можно касательно любой области, где человек применяет шаблоны (а это почти все сферы его деятельности).
Рассмотрим пример паттерна на сайте: если пользователя не заинтересовало предложение во всплывающем окне (pop-up), у него есть три варианта, как это окно закрыть:
Кроме выбора, который сделает пользователь, есть еще время от всплывания pop-up до его закрытия.
Таким образом мы получили четыре параметра о пользователе:
Когда собираются сотни таких параметров, данные обретают ценность, так как они содержат паттерны поведения и зависимости между ними. В этом скрывается огромный потенциал поведенческих данных. Это дает нам возможность дополнить данные о пользователе недостающими параметрами, исходя из тех данных, которые у нас уже есть по другим пользователям.
Например, самое простое определение целевой аудитории (ЦА) происходит по полу и возрасту. Но что делать, если пользователи заполняют эти данные только в 10% случаях? Как понять, сколько из 90% пользователей сайта попадают в вашу ЦА? Именно паттерны поведения смогут ответить на этот вопрос.
Можно использовать данные 10% пользователей, по которым есть пол и возраст, для определения паттернов, свойственных определенному полу и возрасту. И спрогнозировать пол и возраст остальных 90% пользователей.
Обладая полными данными про пол и возраст, можно делать более персонализированные предложения всем посетителям сайта.
бонус для читателей
Как применять машинное обучение в атрибуции
Почему машинное обучение эффективно в маркетинге
Если описать роль ML в маркетинге одним предложением, то оно будет звучать так: машинное обучение дает возможность быстро принимать решения на основе больших данных.
Алгоритм работы маркетологов выглядит следующим образом: они создают гипотезы, тестируют их, оценивают, анализируют. Это долго, трудозатратно и иногда некорректно, потому что информация изменяется ежесекундно.
К примеру, чтобы оценить 20 рекламных кампаний с учетом 10 поведенческих параметров для 5 разных сегментов, маркетологу потребуется около 4 часов. Если такой анализ проводить каждый день, то ровно половину времени специалист будет тратить на оценку качества кампаний. При использовании ML оценка происходит за считанные минуты, а количество сегментов и параметров поведения неограниченны.
Это позволяет быстрее реагировать на изменения в качестве трафика, который приводят рекламные кампании. В итоге специалист уделяет больше времени созданию гипотез, а не рутинным действиям.
Ценность результатов анализа зависит от актуальности данных, на которых этот анализ проводился. По мере устаревания данных их ценность снижается. Те объемы информации, которые ежеминутно собираются аналитическими системами, человек обработать просто не в состоянии.
Это задача машинного обучения. Обработать сотни запросов, систематизировать их, предоставить результаты в виде готового ответа на вопрос.
Основные преимущества использования ML в маркетинге:
Примеры использования ML в маркетинге
1. Рекомендательная система
Суть рекомендательной системы — предложить пользователю товар, в котором он наиболее заинтересован на данный момент.
Что предсказывает алгоритм: N товаров, вероятность покупки которых выше всех.
Как эти данные используются: email и push-рассылки, блоки «Рекомендуемые товары» и «Похожие товары» на сайте.
Результат: пользователи видят персонализированные офферы, в связи с этим повышается вероятность совершения покупки.
Распространенные алгоритмы для решения этой задачи: Метод k-средних (k-means).
2. Прогнозный таргетинг
В целом, суть у всех видов таргетинга одна — расходовать бюджет на целевых пользователей и не расходовать на тех, кто не попадает в ЦА.
Наиболее используемые виды таргетинга:
Существует также и прогнозный таргетинг — показ рекламы пользователям на основе вероятности совершения ими покупки.
Основное отличие между перечисленными видами таргетинга в том, что в прогнозном таргетинге используются все возможные комбинации десятков или сотен параметров пользователя со всеми возможными значениями. А в остальных видах таргетинга используется ограниченное количество параметров с определенными диапазонами значений.
Что предсказывает алгоритм: вероятность того, что пользователь совершит покупку за N дней.
Как эти данные используются
Пример 1: создаются сегменты на основе вероятности совершения покупки. Сегменты загружаются в Google Ads, Facebook Ads, Яндекс. Аудитории и другие рекламные системы, а потом используются для запуска рекламных кампаний.
Кстати, у OWOX BI есть автоматический импорт аудиторий из Google BigQuery в рекламные сервисы. С его помощью вы можете создавать, обновлять и загружать аудитории в рекламные сервисы автоматически. Управляйте ставками на основе данных, повышайте ROI и конверсии, экономьте рекламный бюджет!
Пример 2: создаются сегменты на основе вероятности совершения покупки. Сегменты загружаются в Google Analytics и используются для анализа эффективности рекламных кампаний (какая кампания приводит наиболее конверсионных пользователей).
Результат: реклама показывается более целевой аудитории — эффективность кампаний, таргетированной на такой сегмент значительно выше.
Распространенные алгоритмы для решения этой задачи: XGBoost, CATBoost, Decision Tree (если мало данных или закономерности очевидны).
3. Прогнозирование LTV
Большинство известных методов расчета LTV основаны на знаниях итоговой прибыли от клиента и времени его взаимодействия с бизнесом. Однако, многие современные бизнес-задачи требуют расчета LTV еще до того, как клиент перестанет быть вашим клиентом. В этом случае единственным решением является прогнозирование LTV на основе имеющихся данных.
Читайте также: как посчитать LTV, почему этот показатель важен для ваших продаж, и как его улучшить с помощью OWOX BI.
Что предсказывает алгоритм: LTV каждого пользователя в разбивке по сегментам.
Как эти данные используются:
Результат: рекламный бюджет на пользователя определяется на основе LTV, что повышает эффективность кампаний.
Распространенные алгоритмы для решения этой задачи: XGBoost, SVM, Random Forest, Logistic Regression.
4. Прогнозирование Churn Rate
В маркетинге понятие churn или «отток» обозначает ушедших из компании клиентов и связанных с ними доходов и обычно выражается в процентном или денежном отношении.
Прогнозирование Churn Rate позволяет среагировать на намерение клиента отказаться от услуги/сервиса еще до фактического отказа.
Читайте также: что такое Churn Rate, как он считается и на что влияет. Почему уходят клиенты и как остановить этот процесс.
Что предсказывает алгоритм: вероятность ухода каждого пользователя в разбивке по сегментам.
Как эти данные используются: Сегменты можно загружать в сервисы email или push-рассылок. Загружать в Google Ads, Facebook Ads, Яндекс. Аудитории и другие рекламные системы. Передать информацию Retention отделу, для персональной обработки клиентов с высокой вероятностью ухода.
Результат: предотвращение оттока клиентов.
Распространенные алгоритмы для решения этой задачи: SVM, Logistic Regression и другие алгоритмы классификации.
Как OWOX BI использует машинное обучение
OWOX BI Insights
AI-алгоритм OWOX BI анализирует ваш маркетинг, сравнивает с данными рынка и показывает, где ваши зоны роста и риски. А также дает прогноз о выполнении годового плана, чтобы вы могли оперативно изменить маркетинг-стратегию
Емкость каналов и тренды рынка — это те знания, которые бизнес не может получить самостоятельно. Нам повезло — OWOX BI Insights имеет возможность использовать данные десятков тысяч проектов, чтобы модель машинного обучения учитывала эти знания в предсказательных функциях. Таким образом бизнес, видя некий совет о перераспределении рекламного бюджета, может понимать, что он сформирован не в абстрактном вакууме, а на основе сессий конкретного сайта. Также этот совет учитывает тренды рынка, емкость каналов, расходы на рекламу в гранулированном виде и показы медийной рекламы на верхнем этапе воронки.
Читайте также: зачем строить прогнозы и как находить в них зоны роста и риски, чтобы всегда быть на шаг впереди конкурентов.
OWOX BI ML Funnel Based Attribution
Модель атрибуции OWOX BI оценивает эффективность ваших рекламных кампаний, учитывая вклад каждого канала в продвижение клиента по конверсионной воронке. С ее помощью вы сможете справедливо распределить рекламный бюджет с учетом реального вклада каналов на конверсию и их взаимного влияния.
Подробнее о преимуществах и возможностях атрибуции от OWOX BI читайте в нашей статье:
Расчет модели в OWOX BI происходит на основе цепей Маркова и машинного обучения. Атрибуция на основе цепей Маркова — это вероятностная модель, которая через расчет вероятностей переходов между шагами воронки позволяет оценить взаимное влияние шагов на конверсию и узнать, какой из них — самый значимый.
Если вы хотите увидеть, как работает атрибуция OWOX BI, запишитесь на демо. Наши коллеги покажут вам реальные примеры применения атрибуции и расскажут, чем она может быть полезна именно вашему бизнесу.
Наши клиенты
растут на
Растите быстрее, анализируя, что лучше сработает в вашем маркетинге
Измеряйте KPI, находите зоны роста и увеличивайте свой ROI
Области применения машинного обучения в атрибуции
Для чего нужно машинное обучение и как оно помогает решить задачу атрибуции? Вообще, это тема для отдельной статьи и мы ее уже готовим 🙂 А пока вы можете посмотреть вебинар:
А в этой статье давайте разберемся, на каком уровне принимаются решения с помощью атрибуции. Сравним эти уровни, исходя из нескольких критериев:
Уровни принятия решений на основе атрибуции:
1. На верхнем уровне находится видение. Его формирует совет директоров, CEO, маркетинг-директор. Тип решений связан с инвестициями в бренд, с аллокацией бюджета между онлайн и офлайн. А инструмент, который используется для принятия таких решений — это исследование рынков и консультанты. Здесь редко есть место классическим моделям атрибуции на основе данных, так как самих данных в оцифрованном виде недостаточно.
2. Следующий уровень — это стратегические решения. Их принимают ежемесячно, как правило, маркетинг- и ecommerce-директоры. Посвящены эти решения аллокации бюджета между каналами и определению KPI верхнего уровня. Инструменты, которые помогают это сделать — Visual IQ, OWOX BI или кастомные модели. Здесь бизнес использует Data Driven атрибуцию, вариации на тему Вектора Шепли и Цепей Маркова или Funnel Based атрибуцию. На этом уровне важно понимать взаимное влияние каналов и принимать стратегические решения по их развитию.
Читайте также: плюсы и минусы большинства известных моделей атрибуции: от стандартных моделей из Google Analytics до Цепей Маркова и Вектора Шепли.
3. Тактические решения принимаются еженедельно или чаще. Обычно их принимает менеджер по привлечению платного трафика. Аллокация бюджета происходит между кампаниями и группами объявлений, а решения направлены на уточнение KPI и целей по кампаниям. Здесь уже можно использовать Google Sheets или OWOX BI. Часто на этом уровне работают с Google Analytics. Применяются знакомые большинству модели атрибуции: ассоциированные конверсии, Time Decay, Post-View как инструмент оценки влияния медийной рекламы и Funnel Based.
Особенность этого этапа в том, что бюджет на канал уже выделен — важно понять, на какие кампании его потратить, контролировать результаты и быстро отключать неэффективные кампании.
4. Последний уровень — это выполнение, когда решение об оценке вклада того или иного объявления или ключевого слова происходит в режиме, близком к реальному времени. Чаще всего такие решения принимаются внутри рекламных сервисов (Google Ads, Facebook Ads, Яндекс. Директ). По сути заказчику не важно, какие механизмы оптимизации здесь используются, потому что он смотрит на результаты каждого сервиса отдельно.
Как видим, целесообразнее всего применять машинное обучение для стратегических и тактических задач. Иногда оно также применяется на уровне уточнения ставок, но общий тренд таков, что рекламные системы развиваются быстрее и обладают большим количеством данных. Внутренние алгоритмы, которые используются в этих системах для управления рекламными кампаниями, дают лучший результат, чем использование внешней модели на основе машинного обучения.
Причина в том, что для применения машинного обучения необходимо очень быстро экспортировать большие объемы данных из рекламного сервиса и быстро записывать их назад. Технически это трудно решаемая задача в промышленных масштабах. Поэтому на уровне уточнения ставок и ключевых слов чаще всего полагаются на внутренние алгоритмы оптимизации рекламных сервисов.
Чтобы применять машинное обучение для решения тактических и стратегических задач, вам необходимо обеспечить полноту данных. Сделать это вы можете с помощью OWOX BI. Мы объединим ваши данные с сайта, из рекламных сервисов и CRM, чтобы вы могли создать воронку, которая учитывает особенности и усилия вашего бизнеса, направленные на привлечение клиентов и рост продаж.
Технологии машинного обучения: примеры современных тенденций
Машинное обучение — это один из способов применения искусственного интеллекта в компьютерных технологиях при работе с различными данными. Благодаря машинному обучению, программные приложения могут точнее прогнозировать результаты и анализировать данные. Основная цель и идея машинного обучения — позволить компьютерам обучаться самим, автоматически и без вмешательства человека.
По прогнозам специалистов, машинное обучение — это будущее. По мере того, как люди становятся все более зависимыми от машин и гаджетов, грядет мировая технологическая революция, благодаря которой появятся новые профессии и исчезнут старые. В связи с этим, наша команда приготовила небольшое исследование по этому поводу.
История
В 1959 году Артур Самуэль, исследователь искусственного интеллекта, ввел термин «машинное обучение». Он изобрел первую самообучающуюся компьютерную программу по игре в шашки. Самуэль определил машинное обучение как процесс, в результате которого компьютеры способны показать такое поведение, которое в них не было запрограммировано изначально.
Ниже рассмотрим другие важные даты в истории машинного обучения:
1946: Появился компьютер ЭНИАК — сверхсекретный проект армии США.
1950: Алан Тьюринг создает “Тьюринг тест” для оценки интеллекта компьютера.
1958: Фрэнк Розенблатт придумал Персептрон — первую искусственную нейронную сеть и создал первый нейрокомпьютер «Марк-1».
1959: Марвин Минский создал первую машину SNARC со случайно связанной нейросетью.
1967: Написан метрический алгоритм по классификации данных. Алгоритм позволил компьютерам применять простые шаблоны распознавания.
1985: Терри Сейновски создает NetTalk — искусственную нейронную сеть.
1997: Компьютер Deep Blue обыграл чемпиона мира, Гарри Каспарова, в шахматы.
2006: Джеффри Хинтон, ученый в области искусственных нейросетей, ввел термин «Глубинное обучение» (Deep learning).
2011: Эндрю Энг и Джефф Дин основали Google Brain.
2012: В Google X Lab разработали алгоритм, позволяющий идентифицировать видеоролики, в которых показываются коты 🙂
2012: Google запускает облачный сервис Google Prediction API для машинного обучения. Он помогает анализировать неструктурированные данные.
2014: В Facebook изобрели DeepFace для распознавания лиц. Точность алгоритма 97%.
2015: Amazon запустила собственную платформу машинного обучения — Amazon Machine Learning.
2015: Microsoft создает платформу Distributed Learning Machine Toolkit, предназначенную для децентрализованного машинного обучения.
2020: Технологии искусственного интеллекта применяются практически в каждом программном продукте.
Изображение: Unsplash
Где применяется машинное обучение уже сейчас?
Образование. Благодаря внедрению искусственного интеллекта, разработчики создали обучающие системы, симулирующие поведение учителя. Они могут выявлять уровень знаний учащихся, анализировать их ответы, ставить оценки и даже определять персональный план обучения.
К примеру, AutoTutor, обучает студентов компьютерной грамотности, физике и критическому мышлению. Knewton учитывает характеристику обучения каждого студента и разрабатывает для него уникальную учебную программу. ВВС США используют систему SHERLOCK, чтобы обучить пилотов находить технические неисправности в самолетах.
Поисковики. Поисковые системы используют машинное обучение, чтобы улучшить свои функции. Например, Google внедрила машинное обучение в распознавание голоса и поиск изображений. В 2019 году Google представила Teachable Machine 2.0 — самообучающуюся нейросеть, способную распознавать звуки речи, интонации и позы. С помощью веб-камеры и микрофона пользователь обучает нейронные сети без написания кода и экспортирует их в сторонние приложения, носители или на веб-сайты.
Digital-маркетинг. Машинное обучение в данной сфере обеспечивает глубокую персонализацию клиента. Таким образом, компании могут взаимодействовать с клиентом на личном уровне, становясь к нему ближе. Благодаря алгоритмам сложной сегментации, машина фокусируется на “нужном клиенте в нужное время”, чтобы эффективно продавать продукты. Кроме того, благодаря правильным данным о клиентах, компании располагают информацией, которую можно использовать для изучения их поведения и реакций.
Например, Nova использует машинное обучение для написания электронной рассылки клиентам, делая письма при этом персонализированными. Машина знает, у каких электронных писем ранее была высокая конверсия, и, соответственно, предлагает изменения в рассылках для лучших продаж.
Здравоохранение. У IBM есть разработка Watson. Это суперкомпьютер для медицинских исследований, основанный на машинном обучении. Технология Watson for Oncology обрабатывает большой объем медицинских данных, в том числе изображения, на которых можно точно диагностировать рак. Watson for Oncology сейчас используется в больницах Нью-Йорка, Бангкока и Индии. В июле 2016 года IBM стала сотрудничать с 16 медицинскими центрами и технологическими стартапами, чтобы ускорить развитие программ для точной диагностики.
Вывод
Будущее технологий за машинным обучением. В ближайшее десятилетие машинное обучение будет конкурентным преимуществом не только у топовых компаний, но и у перспективных стартапов. То, что сегодня делается вручную, завтра будут делать машины. Следует добавить, что алгоритмы машинного обучения не только будут использованы в бизнесе и экономике, но и прочно войдут в повседневность (распознавание голосовых команд для умного дома).
Сегодня машинное обучение приобретает новые формы и постоянно развивается. Машинное обучение строится на концепции, что компьютеры могут учиться. Т.е. они могут делать то, на что не были запрограммированы изначально.
В данный момент исследователи искусственного интеллекта хотят протестировать, смогут ли компьютеры учиться на полученных данных. Интерактивный аспект машинного обучения важен, поскольку машины способны постоянно учиться и самостоятельно адаптироваться. Компьютеры учатся на предыдущих вычислениях и показателях, чтобы получить надежные и успешные решения и результаты для создания лучшего будущего.