Вже кілька років непомітно ми регулярно стикаємося з машинним навчанням, однією з технологій, яка є однією з областей штучного інтелекту (ШІ). Це завдяки їй ми отримуємо релевантні відповіді від асистента у смартфоні, рекомендації щодо контенту у сервісах на кшталт Netflix та YouTube. Розповідаємо, за яких обставин ми можемо ще мати справу з машинним навчанням у повсякденному житті.
- Переклад тексту
- Оптимізація роботи з поштою
- Вибір кращого маршруту та прогноз часу подорожі
- Потрібні покупки
- Відмітки друзів на фотографіях у соцмережах
- Звернення до служби підтримки
- Постановка медичних діагнозів
Переклад тексту
GNMT від Google (нейронний машинний переклад Google) — один із найвідоміших прикладних прикладів використання машинного навчання. Ця система містить десятки тисяч словників та застосовує обробку природної мови для підвищення точності перекладу. Якщо раніше Google Translate розпізнавав виключно текст, то сьогодні він легко перекладає цілі сторінки сайтів, документи та навіть текст на зображеннях.
Оптимізація роботи з поштою
І знову Google, цього разу зі своїм додатком Gmail, ефективність якого у питаннях сортування спаму досягає 99,9%! Використовуючи спеціальні фільтри, Gmail виявляє потенційний спам, орієнтуючись на адресу відправника, місце відправлення, тему та інші параметри листа. А решту листів, зокрема від невідомих відправників, розподіляє по папках — таким як «Промоакції», «Соцмережі», «Оповіді», «Форуми».
Виділяють такі види машинного навчання: з учителем, без вчителя, з частковою участю вчителя, з підкріпленням та глибинним машинним навчанням. Останній варіант, deep learning, здатний на виході давати результати, які можна порівняти з результатами діяльності людського мозку.
Вибір кращого маршруту та прогноз часу подорожі
Користувачі Uber не здогадуються, що для розрахунку часу поїздки використовується машинне навчання. Впровадження цієї технології свого часу дозволило підвищити точність прогнозування часу поїздки на цілих 26%. Додатково застосунок для замовлення таксі використовує історичні дані на основі здійснених раніше поїздок даною місцевістю — як ваших, так і інших користувачів. До речі, динамічна вартість поїздки до Uber також формується за допомогою машинного навчання, а точніше його моделі під назвою Geosurge. За даними Statista, найближчих кілька років ринок машинного навчання зростатиме із середньорічним темпом 18,73% і до 2030 року досягне $528.1 млрд. Значна частина ринку припадає на США.
Експерт Colobridge:
«Штучний інтелект вже змінює звичні підходи до роботи і в нашій сфері діяльності. Наприклад, типовий дата-центр може надавати клієнтам обчислювальні ресурси в залежності від їх реальних потреб, внаслідок чого фізичне обладнання може бути завантажене нерівномірно, водночас як системи охолодження працюють з однаковою продуктивністю у всіх машинних залах. Рішення, що використовують машинне навчання, допомагають оптимізувати енергоспоживання в режимі реального часу — завдяки цьому сильно навантажене обладнання охолоджуватиметься з більшою інтенсивністю і навпаки».
Потрібні покупки
Маркетологів можна звинуватити в тому, що вони змушують купувати нас більше, ніж ми планували. З іншого боку, завдяки використанню машинного навчання багато торгових майданчиків часто пропонують товари, які дійсно нам потрібні. Подібні рекомендаційні системи враховують смаки користувача, його локацію, ґендерні ознаки та попередній досвід покупок, щоб давати правильні рекомендації.
Відмітки друзів на фотографіях у соцмережах
Близько десяти років тому у Facebook розробили DeepFace — проєкт із розпізнавання осіб на основі глибокого навчання (це один із типів машинного навчання), який ідентифікує людські обличчя на цифрових зображеннях, у тому числі далеких від портретної якості. Поза, вираз обличчя та навіть освітлення практично не впливають на точність розпізнавання. Завдяки цьому популярна соцмережа з високою ймовірністю «впізнає» людей і запропонує відзначити їх тегами на завантажених вами фотографіях.
Звернення до служби підтримки
Живих операторів принаймні на першій лінії замінили чат-боти та віртуальні агенти. Вони завжди онлайн, відповідають блискавично, а на їхню роботу не впливає втома чи проблеми вдома. Машинне навчання у їх випадку застосовується для розпізнавання мови, перетворення її у текст та взворотному напрямку. Один із великих банків оцінив точність дій такого чат-бота і з’ясував, що той давав правильні відповіді у 96% випадків! Водночас найвищий рівень прийняття розумних помічників спостерігається в сегменті e-commerce.
Постановка медичних діагнозів
Машинне навчання вже використовується для аналізу радіологічних досліджень (наприклад, під час скринінгу раку легенів), для пошуку переломів і пухлин, які складно виявити людському оку, для розробки нових протоколів лікування на основі історичних даних у вигляді карт пацієнтів. Компанія Pfizer, яка розробила одну з найвідоміших вакцин від COVID-19, наприклад, використовує машинне навчання Watson (розробка IBM) для розробки імуноонкологічних препаратів.
В яких галузях найчастіше використовується машинне навчання за даними Statist:
Якщо говорити про те, які завдання можна вирішувати за допомогою машинного навчання в бізнесі, то насамперед це буде якісний аналіз історичних даних для складання прогнозів, створення рекомендаційних систем для утримання клієнтів та підвищення доходів, виявлення випадків шахрайства, ефективне планування, автоматизація рутинних операцій та багато інших.
Експерт Colobridge:
«Компаніям, які мають великі обсяги даних про своїх клієнтів, в рамках нашого нового проєкту ми пропонуємо AI-Engine as a Service — багатофункціональне високопродуктивне рішення для аналізу даних у режимі реального часу. Точні інструменти аналізу та прогнозування допомагають бізнесу приймати більш обґрунтовані рішення, підвищують операційну ефективність, дозволяють ефективно управляти ризиками та залишатися конкурентоспроможними».
Щоб отримати більше інформації про те, як використовувати машинне навчання та інші методи штучного інтелекту, звертайтеся за консультацією до менеджерів компанії Colobridge.
