Примечание: Мы перевели для вас вас полезную статью от компании CloudFactory, которая объединяет возможности роботов и людей для выполнения различных задач, и наверняка знает, какому бизнесу пригодятся мощности AI.
Ниже описаны 5 примеров применения технологий для бизнеса, которые помогут понять, нужно ли вам их применять: https://bit.ly/2sHV9I6
Если вам нравится читать наши переводы - ставьте лайк! Это будет мотивировать нас писать больше :)
Релиз двухмашинной системы позволил разработчикам проще проводить работу без специализированной подготовки на этапе создания и запуска ML моделей.
Например, Microsoft и Amazon (AWS) выпустили систему Gluon с открытым исходным кодом, которая позволяет исключить сложные этапы работ, необходимые для разработки системы искусственного интеллекта (AI). Система предоставляет обучающие алгоритмы и модели для построения нейросетей - два важных компонента для систем глубокого обучения, которые разработчики могут использовать для создания своих собственных систем машинного обучения.
А Google’s ML engine, например, который является частью облачной платформы, предлагается в качестве сервиса, администрируемого разработчиками, для построения ML моделей, которые будут работать с данными любого типа и размера. Подобно Gluon, сервис Google предоставляет разработчикам уже готовые ML модели для создания собственных систем.
Самое время поближе взглянуть на ML и понять, как его можно применить в вашем бизнесе. Совместное использование big data и машинного обучения может раскрыть ценность собранных данных для увеличения конкурентного преимущества вашего бизнеса.
Перед вами 5 сфер бизнеса, которые применяют ML для создания инновационных продуктов и услуг:
1.Прогнозное тех. обслуживание IoT и IIoT
Техническое обслуживание оборудования одна из дорогостоящих проблем компаний, которые размещают парк машин в полевых условиях.
В интернете вещей (iot) и сфере промышленного интернета вещей (IIoT) используются встроенные датчики на каждом предмете: от топлива до шин. Это позволяет собирать данные, а затем делиться ими в одной сети. ML система использует для анализа такие данные, как температура и влажность, для того, чтобы предсказать производительность и срок службы машин.
Caterpillar - компания, которая производит системы энергоснабжения для судов, использует IoT и машинное обучение, чтобы выявить закономерности в данных, получаемых от приборов и устройств.
В одном из примеров, Caterpillar заметила, что показания со счетчика топлива соотносимы с количеством электроэнергии, используемой на борту рефрижераторными контейнерами. И использовала это для того, чтобы оптимизировать показатели производительности путем изменения выходной мощности генератора. В результате экономия составила $30 в час или $650 000 в год для 50 кораблей.
2. Логистика: планирование снабжения
Планирование логистики гарантирует, что человек получит нужное количество поставок в нужное месте и в нужное время. Такое планирование фокусируется на управлении поставщиками и товарами, которые отправляются в бизнес. Это сложный процесс управления заказами, отгрузкой, складированием, контролем запасов и утилизацией. Путем загрузки данных о существующем плане в ML модель, предприятия могут прогнозировать и рекомендовать предстоящие операции.
Продавец розничных товаров Walmart использует ML для оптимизации эффективности. Retail Link 2.0 собирает информацию, которая течет по всей цепочке поставок, и выявляет отклонения от процесса, такой контроль позволяет вносить коррективы в работу режиме реального времени.
Производитель автомобилей Honda использует ML для обнаружения проблем с качеством за пределами сборочного конвейера, определяя зависимости в произвольных текстовых полях обращений по гарантийным случаям.
3. Розничная Торговля
Компании, которые занимаются продажей в магазинах или онлайн, уже на самом деле занимаются сбором больших данных. Они собирают демографические данные о потребителях, их привычных тратах и предпочтениях.
Задача состояла в том, чтобы объединить онлайн и оффлайн данные, и распознать закономерности, которые могут положительно повлиять на
цены, инвентаризации, клиентское обслуживание и рентабельность.
Машинное обучение позволило магазинам выявить закономерности в данных, на которые они могут воздействовать, чтобы влиять на взаимоотношения покупателя с их брендом.
Онлайн - магазины могут собирать данные о том, как покупатели просматривают и покупают товары на их веб-сайтах, а затем использовать эту информацию и рыночные тенденции, чтобы показать клиентам персонализированные предложения, которые помогут увеличить продажи.
Розничный гигант Amazon был одним из первых, кто внедрил персонализированные предложения, основанные на истории поиска и покупок. ML играет большую роль в реализации рекомендательного движка, а также занимается обработкой родного языка пользователя, такая функция используется цифровым голосовым помощником Alexa Amazon.
Магазин элитной одежды Rebecca Minkoff использует Alexa для быстрого поверхностного поиска информации. На ShopTalk 2017 соучредитель Uri Minkoff попросил Alexa назвать наиболее покупаемый товар бренда весенней коллекции и получил правильный ответ в течение одной секунды.
О других сферах, таких как беспилотные авто и образование можно прочитать в оригинальной статье.
___
Однако только вы решаете использовать ли ML и DL для своего бизнеса, ваши данные — это ваше золото, которое стоит добыть.
Взгляните на свои неструктурированные и структурированные данные, которые ML модели могут использовать для преобразования основных процессов в интеллектуальные системы для инновационных и конкурентных преимуществ.
Написано Нанетт Джордж, старшим менеджером по маркетингу CloudFactory.
Если вы знаете другие хорошие примеры, где big data и deep learning хорошо себя показали, присылайте ссылки в комментариях :)
