3 примера применения машинного обучения, чтобы ускорить бизнес-процессы

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Машинное обучение – удел не только таких монстров, как Google. В скором будущем оно перевернет устройство всех привычных нам рынков. А ваши конкуренты, возможно, уже сейчас задумываются, как использовать нейронные сети в своей работе.

Александр Козлов, Коммерческий директор предприятия «Политех-Плюс», Москва

Из-за поломок 40% оборудования на производстве простаивало, мы не выполняли заказы в срок. Клиенты жаловались, мы теряли заказчиков. Логично было бы обновить основные средства. Но мы посчитали, во сколько нам это обойдется, и пошли другим путем.

Научились своевременно предсказывать необходимость планово-предупредительного обслуживания оборудования через довольно простой механизм машинного обучения – supervised learning, или «обучение с учителем».

Как это работает. Собрали все данные о работе станков и оборудования, определили, какие параметры в наибольшей степени влияют на вероятность незапланированных поломок или простоев.

Например, степень загрязненности смазочных материалов или данные о том, когда мастер-станочник повышал квалификацию в последний раз. Затем наши инженеры написали программу и ввели в нее собранные данные: параметры работы оборудования, при которых произошли задокументированные простои или поломки. Их сбор был самым трудоемким делом и занял около года. Зато теперь программа сама предсказывает поломки. Каждый раз инженер, он же «учитель», вносит информацию о новой поломке или простое, что повышает точность дальнейших прогнозов. За проект отвечал директор по производству. Статистику собирал главный инженер.

Результат. Мы сэкономили на инвестициях в основные средства и стали терять меньше заказов. Повысили ключевой показатель производства – общую эффективность оборудования (OEE, overall equipment manufacturing) с 60 до 75–79% за счет сокращения времени простоев оборудования, связанных с поломками.

Сергей Седов, Генеральный Директор компании «Робот Займер», Москва

Мы используем технологии Big Data (англ., большие данные) и Machine Learning (англ., машинное обучение) при принятии решений о выдаче займа. Система анализирует каждый сегмент клиентов по отдельным скоринговым[i] картам и делает их автоматизированный перерасчет. Другими словами, наш программный комплекс способен к самообучению и ретроспективному анализу поведения заемщика.

Как это работает. При рассмотрении каждой заявки робот анализирует около 2 тыс. параметров потенциального заемщика в автоматизированном режиме. Источники – наши собственные сведения, информация крупнейших бюро кредитных историй и из доступных государственных баз данных, а также сведения о платежах заемщиков за услуги ЖКХ. Система анализирует социально-демографические параметры: пол, возраст, адрес, семейное положение и состав семьи, образование, профессиональная деятельность, уровень дохода. Эти данные мы получаем от мобильных операторов и интернет-провайдеров – наших партнеров.

Наконец, программа рассматривает поведение заемщика в социальных сетях и на сайте компании, вплоть до того, как пользователь передвигал «ползунки» при выборе суммы и срока займа. Затем робот использует одну или несколько из пяти основных скоринговых моделей; эффективность каждой из них зависит от региона, сезонности, половозрастной структуры и ROI (англ. Return On Investment, коэффициент возврата инвестиций). Далее он формирует индивидуальное предложение по сумме, сроку и процентной ставке предоставляемого займа.

машинное обучение

Результат. Сегодня компания использует скоринговые модели с коэффициентом GINI[ii]= 0,63 и выше, до внедрения машинного обучения показатель не превышал 0,42. Преимущества машинного метода оценки заемщиков: мгновенное реагирование на изменение потока заявок; автоматический перерасчет скоринговых карт; снижение рисков, связанных с человеческим фактором; оптимизация издержек и оперативность принятия решений. Заявки на кредит обрабатываются за 10 секунд – с ручной работой это несравнимо, так как человек не может проанализировать 2 тыс. параметров. Среди прочих факторов исключаются опечатки при заполнении анкеты, потеря данных. Мы имеем стабильно низкий процент просрочки в общем объеме клиентов, а уровень мошенничества снизился до 0,09% от общего числа одобренных заявок.

Мы снизили нагрузку на сотрудников и повысили скорость и объемы работы без расширения штата

Кирилл Котов, Директор департамента разработки программного обеспечения сервиса по поиску работы и сотрудников Superjob.ru компании «Суперджоб», Москва

Мы используем Supervised (англ., обучение с учителем) и Unsupervised (англ., обучение без учителя) методы машинного обучения.

В первом случае данные, на которых обучается модель, заранее размечены человеком. Так решаются задачи автоматического предсказания адекватной зарплаты по резюме, выявления соответствия кандидата требованиям вакансии.

Во втором случае обучение происходит без учителя: мы отдаем машине данные и ждем от нее результата, например их разбивки по классам. Так решается, в частности, задача объединения похожих вакансий.

Компания применяет алгоритмы, которые основываются на действиях рекрутеров. Модель использует несколько сотен признаков из резюме и вакансий, чтобы подобрать кандидату работу, которая максимально соответствует его знаниям и навыкам.

Элементы нейросетей мы применяем с 2010 года, например, для корректировки ошибок в резюме и вакансиях. Автоматизировали с их помощью обработку десятков тысяч запросов клиентов-работодателей и соискателей в обратную связь сервиса. Сейчас мы тестируем сервис, который предсказывает, какие из сотен однотипных резюме будут востребованы конкретным работодателем.

Результаты. Мы снизили нагрузку на сотрудников и повысили скорость и объемы работы без расширения штата с помощью автоматизации модерации резюме и вакансий, а также обратной связи. Благодаря внедрению автоматического распознавания ботов нагрузка на наши серверы снизилась. Определение похожих вакансий упрощает поиск работы для специалистов и увеличивает отклик для работодателей.

[i] Скоринговая модель – модель рейтингования заемщиков.

[ii] Коэффициент Джини – статистический показатель степени расслоения общества данной страны или региона по отношению к какому-либо изучаемому признаку. Применяется в машинном обучении для предсказания непрерывных величин.


Источник: www.gd.ru

Комментарии: