Saturs
J:
Kā mašīnmācība var darboties no acīmredzamām neefektivitātēm, lai ieviestu jaunus ieguvumus biznesam?
A:
Viens no lielākajiem potenciālajiem mašīnmācīšanās sistēmu pielietojumiem ir biznesa procesu un operāciju nozīmīgas efektivitātes ieguve. Šis lauks joprojām attīstās, attīstoties mašīnmācībai, un pārdevēji piedāvā uzņēmumiem jaudīgākus rīkus biznesa scenāriju novērtēšanai.
Kopumā mašīnmācīšanās var nodrošināt efektivitāti, pārbaudot plašāku iespēju un izvēles klāstu, no kuriem daži var šķist neefektīvi. Lielisks piemērs ir process, ko sauc par simulētu atkvēlināšanu un kas ietver algoritmus, kas dod rezultātus tādā pašā veidā, kādā inženieri atdzesē metālu pēc kalšanas. Savā ziņā sistēma ievāc datus un pārbauda šos neefektīvos ceļus vai rezultātus, lai noskaidrotu, vai tos apvienojot, mainot vai jebkādā veidā ar tiem manipulējot, tie faktiski var dot efektīvāku rezultātu. Imitēta rūdīšana ir tikai viens no daudzajiem veidiem, kā datu zinātnieki var izveidot sarežģītus modeļus, kas var izskaust dziļākas un efektīvākas iespējas.
Viens veids, kā domāt par šāda veida mašīnmācīšanās iespējām, ir aplūkot GPS navigācijas sistēmu attīstību pēdējos gados. GPS navigācijas sistēmu agrīnās paaudzes varētu lietotājiem sniegt vairākus efektīvākus ceļus, kuru pamatā ir ļoti pamata dati - vai drīzāk dati, kas mums tagad šķiet ļoti pamata. Lietotāji varēja atrast ātrāko ceļu, izmantojot lielceļus, ātrāko maršrutu bez nodevām utt. Tomēr, kā uzzināja autobraucēji, GPS nebija optimāli efektīvs, jo nesaprata tādus jautājumus kā ceļa darbi, negadījumi utt. Ar pilnīgi jaunām GPS sistēmām šīs rezultāti tiek iebūvēti mašīnā, un GPS atkal sniedz daudz efektīvākas atbildes, jo algoritms apsver ceļus, kas var šķist neefektīvi uz pamata sistēmu. Mācoties, mašīna atklāj efektivitāti. Tas tos pasniedz lietotājam, un rezultātā tiek nodrošināts daudz optimizēts pakalpojums. Tas ir lietas veids, ko mašīnmācība darītu uzņēmumam - tā atbrīvos no efektivitātes, atklājot optimālos un efektīvos slēptos ceļus, kaut arī tiem ir nepieciešama analītiska sarežģītība. Šīs sistēmas, kas ir tik ļoti orientētas uz optimālu rezultātu sasniegšanu, tiek izmantotas ne tikai digitālā biznesa informācijas ieguvei; piemēram, GE ziņojums parāda, kā mašīnmācīšanās sistēmu izmantošana var dramatiski uzlabot ogļu ražotņu darbību, nodrošinot kopienām enerģiju.