Мне посчастливилось побывать на всемирно известной конференции 'AI Applications Virtual Summit', организованной RE.WORK 17 и 18 сентября 2020 года. На этом саммите присутствовали Пионеры ИИ из таких организаций, как MasterCard, IBM, HSBC, Airbus, SAP, Nike, BBC, Google, Salesforce и т. Д. На мероприятии были представлены последние технологические достижения, а также практические примеры применения ИИ для решения задач в бизнесе и обществе.
В этом блоге я хотел бы поделиться своими выводами и уроками из двух из множества сессий, которые были проведены на саммите различными пионерами ИИ из таких областей, как маркетинг, финансы, электронная коммерция и Страхование.
Использование глубокого обучения с встраиванием слов для повышения удовлетворенности клиентов ( Эрик Чартон, старший директор по искусственному интеллекту, Национальный банк Канады )
Понимание удовлетворенности клиентов розничным банковским обслуживанием требует изучения и понимания множества источников обратной связи, таких как электронные письма, обзоры в социальных сетях, веб-отзывы, взаимодействия с ботами, а также транскрипты преобразования речи в текст, полученные из центров обработки вызовов. Следовательно, важно классифицировать и маркировать данные, чтобы анализировать их и извлекать из них полезные сведения.
Решения для текстовой аналитики на рынке основаны на ключевых словах для определения темы, что не подходит для классификации тем в банковских сценариях, поскольку классы в данных очень несбалансированный и неоднозначный создает шум в системе, основанной на ключевых словах. Предыдущее состояние дел, созданное в 2010 году, когда линейные классификаторы, такие как SVM и логистическая регрессия, а также строгий отбор признаков, показали наилучшие результаты при обнаружении тем. Позже к набору данных DEFT 2013 (рецепт французской кухни) были применены такие методы, как встраивания (BERT) и глубокие и сверточные нейронные сети / GRU, чтобы выяснить, поддерживает ли классификатор глубокого обучения встраивание может превзойти современные технологии.
В ходе обсуждения предложенная система имела лингвистический подмодуль вместе с нейронным модулем, чтобы исключить необходимость выбора функций. После применения предложенной системы (нейронный субмодуль + лингвистический субмодуль) к данным о клиентах производительность модели значительно улучшилась. Наконец, помеченная обратная связь с клиентами была в дальнейшем использована для повышения их удовлетворенности.
Для предложенной выше системы можно изучить следующий документ: https://link.springer.com/chapter/10.1007/978-3-030-47358-7_44
Последние разработки в области глубокого обучения в финансах ( Харшвардхан Прасад, вице-президент по количественной аналитике, Morgan Stanley)
Приложения искусственного интеллекта в финансах включают такие варианты использования, как оценка рисков, управление портфелем, алгоритмическая торговля, обнаружение мошенничества, анализ настроений и анализ финансовых текстов. Криптовалюты, поведенческие финансы, блокчейн, HFT и рынок деривативов имеют большой потенциал для исследований.
Модели на основе RNN (в частности, модель Long Short -Term Memory), CNN и DMLP широко используются в реализациях. Причина этого в том, что транзакционные данные являются последовательными по своей природе, как последовательность потраченных денег или времени, прошедшего между двумя транзакциями. Кроме того, LSTM решает проблему исчезающего градиента.
Исследовательский документ под названием «Глубокое обучение обнаружение мошенничества при транзакциях с кредитными картами (https://ieeexplore.ieee.org/document/8374722) может быть использован для обнаружения мошенничества и оценки рисков . В этом документе исследование по обнаружению мошенничества при транзакциях с кредитными картами показало, что модели LSTM и GRU значительно превосходят базовые ANN. Были также обсуждены некоторые другие исследовательские работы, в которых для обнаружения мошенничества использовались такие методы, как HMM (скрытая марковская модель) и DuSVAE (двухпоследовательный вариационный автоматический кодировщик). и управление портфелем были обсуждены в беседе. В ходе обсуждения были затронуты и другие аспекты, такие как трансферное обучение и объяснимость модели глубокого обучения.
Искусственный интеллект - мощное средство, и, по прогнозам, он внесет огромный вклад в мировую экономику.
Прежде чем закрыть блог, я хотел бы сообщить, что в большинстве бесед обсуждалась важность этики, управления, разнообразия и инклюзивности, которые необходимы для разработки искусственного интеллекта независимо от Промышленность.
Этический ИИ обеспечивает справедливость, подотчетность, безопасность и открытость. Управление в искусственном интеллекте требует усиления рамок на всех уровнях бизнеса. Разнообразие и включение в ИИ помогает устранить предвзятость и дискриминацию в работе модели, чего можно добиться за счет включения разнообразного фона и опыта.
Вот и все, ребята!
ОТКАЗ ОТ ОТВЕТСТВЕННОСТИ: материалы, представленные здесь, представляют собой обзор работы, выполненной другими.
