5 инновационных способов использования машинного обучения

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


Привет, Хабр! Представляю вашему вниманию перевод статьи 5 Innovative Uses for Machine Learning автора Aj Agrawal.

image
Они придут в вашу жизнь, по крайней мере, в вашу деловую жизнь раньше, чем вы думаете. Хотя временной горизонт пришествия не может быть точно предсказан, искусственный интеллект (АI) обещает фундаментально повлиять на современное общество, к лучшему или к худому. Сверх уровень (АI)-машинное обучение получил особое внимание со стороны экспертов по причине потенциально мощнейшего воздействия на наиболее важные, мировые отрасли производства. Из-за возникшего ажиотажа, огромное количество талантов и ресурсов вливаются в это пространство.
Но что же такое, это машинное обучение и почему мы должны заботиться об этом в первую очередь? Ответ в том, что в самом широком смысле, модели машинного обучения приложений ИИ используют алгоритмы самостоятельного прогнозирования исходов. Другими словами, эти модели могут обрабатывать гигантские массивы данных, извлекать выводы и делать точные прогнозы без необходимости значительного вмешательства человека.

Множество значимо-генеративных последствий порождается в результате ускоренного развития этой технологии, и большая их часть готова значительно упростить деловой мир.

А вот пятерка самых новаторских способов использовать машинное обучение. Они придут в вашу жизнь, по крайней мере, в вашу деловую жизнь-раньше, чем вы того ожидаете.

Широкомасштабное использование автономных транспортных средств

Интенсивное внедрение автономных транспортных средств представляет собой намного более эффективный в будущем вид транспортировки. Аналитические доклады свидетельствуют о том, что самоуправляемые автомобили могут снизить опасный трафик, (связанный со смертельным исходом) на целых 90 процентов.

Хотя мы, наверное, в нескольких годах от начала массового производства для потребителя, приятие автономных транспортных средств неизбежно на данном этапе развития общества. Однако, масштаб времени для адаптации этой технологии в значительной степени зависит от регулирующих действий, которые часто лежат за пределами контроля технологического мира.
Инженеры программного обеспечения, разрабатывающие эти самоуправляемые “флота будущего”, в значительной степени полагаются на технологии машинного обучения для запуска алгоритмов, которые позволяют транспортным средствам работать автономно. Эти модели эффективно интегрируют данные из различных датчиков-лидар (метод запроса с использованием лазеров),-радары и камеры-управляют транспортным средством. Эти глубоко-проработанные алгоритмы обучения становятся все более умными с течением времени, что обеспечивает безопасность вождения.

Более эффективная сфера здравоохранения

Такая важная часть экономики, как отрасль здравоохранения, до сих пор работает на неэффективной, устаревшей инфраструктуре. Основными проблемными моментами являются поиски путей для сохранения конфиденциальных сведений о пациенте и оптимизация системы.

К счастью, мы можем применять инновационные алгоритмы машинного обучения (которые работают без людей) для обработки больших массивов медицинских данных без нарушения договора о конфиденциальности. Кроме того, мы можем использовать эти модели, чтобы лучше анализировать и понимать диагнозы, факторы риска и коэффициенты причинно-следственных связей.

Как отмечает доктор Эд Корбетт: «Понятно, что машинное обучение добавит еще одну стрелу в колчан клинических решений. «Машинное обучение в медицине занимает сейчас верхние позиции, — сказал Корбетт, медицинский работник Health Catalyst. Google разработал алгоритм машинного обучения, чтобы помочь выявить раковые опухоли на маммограммах. Стэнфорд использует алгоритм глубокого обучения для выявления рака кожи ».

Встроенная система управления розничной торговлей

Международный сектор розничной торговли последовательно генерирует в течение последних нескольких лет результат продаж-20 триллионов долларов в год. Эта огромная цифра охватывает гигантское количество данных потребительского характера (демография, тенденции и вкусы), составленных из бесконечного потока торговых моделей и тенденций.

Тем не менее, многие розничные компании пытаются реализовать заложенные в этой ценной информации перспективы, поскольку информация часто приходит от разрозненных хранилищ данных. В перспективе, существует огромная возможность для реализации моделей машинного обучения, которые позволят ритейлерам лучше понять своих клиентов и обеспечить более персонализированный подход.

Используя ранее полученные данные, модели машинного обучения могут предсказать все, от того, какие продукты рекомендовать, до тех, на которые запустить скидки. Ритейлерам, в частности, можно совместить цифровые модели поведения, чтобы оптимизировать весь путь пользователя от первого контакта, и до покупки.

Оптимизация модерации контента

Модерация контента является серьезной проблемой для социальных медиа-платформ, таких как Facebook и Twitter, в процессе предоставления достоверной информации своей аудитории.
В ответ на публичный протест против «поддельных новостей», Facebook недавно объявил, что он нанимает 3000 новых сотрудников специально для того, чтобы следить за содержанием новостей на платформе. Хотя эта тревога простирается далеко за пределы социальных сетей, такие технологические конгломераты, как Google, закладывают значительный капитал в разработку собственных групп мониторинга контента для поддержки своих быстрорастущих рынков.

Развивающиеся машинное обучение и AI платформы, такие как Orions Systems, предоставляют проприетарные системы для «роста и адаптации взаимодействия между людьми и искусственным интеллектом» для таких задач, как общая модерация контента.

Однозначно, эти технологии решения задач модерирования контента с помощью инновационных инструментов и ресурсов (анализа, например, контекста и содержания каждого кадра из видео) дают возможность повысить продуктивность работы сотрудников. Это важный шаг вперед, который подготавливает машинные алгоритмы к очень сложной работе,-модерации видео материалов.

Расширенная кибербезопасность

Стоимость ущербов от киберпреступлений вырастет на 6 триллионов долларов в год к 2021 г. Эксперты прогнозируют, что компании будут тратить более 1 триллиона долларов на услуги кибербезопасности с 2017 по 2021 дабы обезопаситься от растущей угрозы.Скорее всего, кибербезопасность будет приоритетом, как для стартапов, так и для крупных предприятий.

Исследователи разрабатывают хитрые способы реализации моделей машинного обучения для обнаружения мошенничества, предотвращения фишинга и защиты от кибер атак. Оборонительные системы обучаются, используя последние данные, чтобы быстро среагировать и оградить от подозрительной активности. В отличие от людей, эти алгоритмы могут работать 24 часа в сутки, семь дней в неделю, без устали.

С тех пор как эти модели машинного обучения стали более доступными для разработчиков, они неуклонно начали набирать большое число одобрений со стороны потребителей и предприятий. И, когда произойдет техно фурор, то будет интересно увидеть, какие техно-модели покорили вершину.


Источник: habrahabr.ru

Комментарии: