Пока многие отрасли борются с пандемией коронавируса, широкая тенденция перехода к удалённой работе выявила множество областей, в которых традиционные подходы к управлению бизнесом приводят к ненужным тратам. Тем не менее наука о данных и её подразделение — машинное обучение — показывают, что поле для рационализации практически безгранично.

В машинном обучении используются мощные алгоритмы получения информации, основанной на реальных данных, которые затем можно использовать для прогнозирования будущих результатов. По мере поступления новых данных программы машинного обучения могут автоматически адаптироваться и производить обновлённые прогнозы. Как и любой другой инструмент, машинное обучение — не универсальное средство. Однако есть много ситуаций, в которых технология может превзойти линейные и статистические алгоритмы.

Вот пять наиболее распространённых случаев, когда машинное обучение может иметь большое значение:

Когда инженеры не могут кодировать правила для определённых проблем

Многие задачи, ориентированные на человека (например определение того, является ли электронное письмо спамом), невозможно решить с помощью простых (детерминированных) решений, основанных на правилах. Поскольку на ответ может повлиять очень много факторов, инженерам придётся писать и часто обновлять миллиарды строк кода. Кроме того, когда условия зависят от слишком многих факторов, перекрываются или требуют точной настройки, людям становится сложно кодировать определённые правила. К счастью, программы машинного обучения не требуют от пользователей кодирования реальных шаблонов. Этим программам нужны только правильные алгоритмы для автоматического извлечения шаблонов.

Когда нужно масштабировать решение на миллионы случаев

Возможно, вы сможете вручную классифицировать несколько сотен платежей как мошеннические или нет. Однако это становится утомительным или невозможным при работе с миллионами транзакций. По мере роста пользовательской базы организации больше не могут обрабатывать платежи вручную — сегодня конечные пользователи хотят получать ответы о своих деньгах за миллисекунды, а не минуты или часы. Решения машинного обучения эффективны при обработке таких крупномасштабных проблем с минимальным вмешательством человека или без него.

Когда что-то можно сделать вручную, но это нерентабельно

Бывают ситуации, когда штатные специалисты могут быстро и точно обработать множество запросов, но с большими затратами. Например, представьте, что вы оцениваете формы DMV для покупок автомобилей в штате и между штатами, чтобы определить их рентабельность, прежде чем передавать их. В этой ситуации бизнес-процессы чётко определены, оптимизированы и сериализованы. Тщательная проверка каждой формы может занять всего несколько минут. Но выделять на эту работу столько ручного труда, вероятно, не лучший вариант для вашего бюджета. Машинное обучение, с другой стороны, предлагает предсказуемые ценообразование с оплатой по мере использования для полностью масштабируемых операций.

Когда у вас есть массивный набор данных без очевидных закономерностей

Представьте: вы успешно подготовили тщательно подобранный набор данных и знаете основную проблему. Однако вы не видите никаких явных закономерностей в данных, что мешает вам кодировать эти проверки. Или существует множество опечаток, пропущенных полей и других ошибок, вызванных деятельностью человека без проверки. Вы даже можете знать, что данные низкого качества, и вручную определить каждую затронутую строку. Но вы не можете найти никакой реальной связи между действительными и недействительными записями. Алгоритмы машинного обучения способны решить эту проблему. Они могут находить скрытые связи между точками данных, которые не понятны людям. Такие инструменты, как Interpreting Tracers, могут даже описать, как модели машинного обучения приходят к своим выводам.

Когда вы живёте в постоянно меняющейся вселенной (адаптивной)

Мир и его проблемы постоянно меняются. Проблема, которую вы решили вчера, может легко трансформироваться во что-то совсем другое, сделав предыдущее решение неэффективным или даже бесполезным. Например, если ваша организация обрабатывала записи медицинских посещений для извлечения диагнозов, информации о процедурах и кодов выставления счетов, ваши правила могли бы постоянно развиваться. Однако вы не можете делать обновления в режиме реального времени 24/7. Между тем неправильно маркированные предметы могут привести к отказу от страховки, огромным штрафам и судебным санкциям. Одним из основных преимуществ методов машинного обучения является то, что ИИ учится на данных на протяжении всего жизненного цикла вашего приложения — от первой строки написанного кода до момента, когда модель окончательно закрывается. Более того, для производственных систем важно иметь петли обратной связи, чтобы вы могли уловить момент, когда ваша модель перестаёт правильно решать проблемы.

Важно помнить, что машинное обучение — это инструмент, а не волшебство. Модели машинного обучения — это, по сути, сложные математические алгоритмы, которые выявляют закономерности в данных и учатся на них. Однако при правильном применении к правильным сценариям использования машинное обучение может сократить количество времени, затрачиваемого на подверженные ошибкам ручные IT-операции, представляя значительную ценность для бизнеса и значительно сокращая IT-расходы.

Источник: https://artificialintelligence-news.com/2021/03/03/five-common-use-cases-where-machine-learning-can-make-a-big-difference/

от AI_NEWS

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *