Семейство Alobha предлагает лучшее решение для каждого бизнеса с хорошей точностью. Технологии на базе технологий, такие как приложения для машинного обучения, приложения для глубокого обучения, обработка естественного языка с помощью передовой аналитики.

Примеры использования машинного обучения на смартфонах

Знаете ли вы, что машинное обучение поддерживает большинство функций вашего смартфона?

Верно! От голосового помощника, который устанавливает будильник и находит для вас лучшие рестораны, до простого варианта использования разблокировки телефона с помощью распознавания лиц - машинное обучение действительно встроено в наши любимые устройства.

Голосовые помощники

Тот пример, который мы видели во введении, о разговоре с нашим виртуальным помощником? Это все о концепции распознавания речи - многообещающей теме в машинном обучении прямо сейчас.

Голосовые помощники сейчас повсеместны. Вы, должно быть, использовали (или, по крайней мере, слышали) следующие популярные голосовые помощники:

  • Siri от Apple
  • Google Ассистент
  • Amazon Alexa
  • Google Duplex
  • Кортана от Microsoft
  • Биксби от Samsung

И так далее. Что общего между всеми этими голосовыми помощниками? Они работают на алгоритмах машинного обучения! Эти голосовые помощники распознают речь (слова, которые мы произносим) с помощью обработки естественного языка (NLP), преобразуют их в числа с помощью машинного обучения и соответствующим образом формулируют ответ. Созрело поле для того, чтобы эти помощники стали умнее в будущем по мере того, как методы машинного обучения станут более совершенными.

2Камеры для смартфонов

Подождите, какое отношение машинное обучение имеет к камере моего смартфона? Оказывается, довольно много.

Невероятные изображения, которые мы можем нажимать в наши дни, и глубина этих изображений - все это благодаря алгоритмам машинного обучения. Они анализируют каждый пиксель в заданном изображении для обнаружения объектов, размытия фона и множества уловок.

Эти алгоритмы машинного обучения делают несколько вещей для улучшения и улучшения камеры смартфона:

  • Обнаружение объекта, чтобы найти и выделить объект (ы) (или человека) на изображении.
  • Заполнение недостающих частей на картинке
  • Использование определенного типа нейронной сети с использованием GAN для улучшения изображения или даже расширения его границ, представляя, как оно будет выглядеть, и т. Д.

Рекомендации в App Store и Play Store

Мне нравится эта функция как в Google Play Store, так и в Apple App Store. Раздел «Рекомендовано для вас» основан на приложениях, которые я установил на свой телефон (или использовал ранее).

Например, если у меня есть несколько приложений, связанных со спортом и едой, то мой раздел рекомендуемых для вас обычно заполнен приложениями, похожими на эти приложения. Я ценю то, что Play Store персонализирован по моему вкусу и показывает мне приложения, которые у меня больше шансов загрузить.

Посмотрите прямо сейчас, если вы этого не заметили.

Как Apple или Google это делают? Два слова - рекомендательные двигатели. Сейчас это очень популярная концепция в машинном обучении. Существуют различные способы создания системы рекомендаций, и вы можете начать работу со своей прямо здесь.

3Face Unlock - Смартфоны

Большинству из нас это хорошо известно. Мы берем свой смартфон, и он разблокируется, обнаружив наше лицо. Это умно, эффективно, экономит время и, откровенно говоря, превосходно.

Многие люди не знают об этом, так это то, что в наших смартфонах для этого используется метод, называемый распознаванием лиц. А основная идея распознавания лиц основана, как вы уже догадались, на машинном обучении.

Применения распознавания лиц обширны, и компании по всему миру уже пожинают плоды:

  • Facebook использует его для идентификации людей на изображениях
  • Правительства используют его для выявления и поимки преступников
  • Аэропорты используют для проверки пассажиров и членов экипажа и т. Д.

2. Примеры использования машинного обучения на транспорте

Применение машинного обучения в транспортной отрасли за последнее десятилетие вышло на совершенно другой уровень. Это совпадает с ростом числа приложений для вызова пассажиров, таких как Uber, Lyft, Ola и т. Д.

Эти компании используют машинное обучение во многих своих продуктах, от планирования оптимальных маршрутов до определения цен на наш рост. Итак, давайте рассмотрим несколько популярных примеров использования машинного обучения на транспорте.

Динамическое ценообразование в путешествиях

Часто ли вас расстраивает слишком высокая цена, которую используют компании, занимающиеся вызовом такси? Я сталкиваюсь с этим каждый день по дороге на работу и обратно. Кажется, что цены постоянно растут. Почему это происходит?!

Я углубился в это еще немного и натолкнулся на концепцию динамического ценообразования - отличный вариант использования машинного обучения. Чтобы понять это, давайте рассмотрим простой пример.

Представьте, что вы открываете бизнес по найму пассажиров. Вам необходимо спланировать цены на поездки для каждого маршрута в городе таким образом, чтобы привлечь клиентов, а также улучшить вашу прибыль. Один из способов сделать это - вручную сопоставить цены для каждого маршрута. Не идеальное решение.

Именно здесь динамическое ценообразование играет жизненно важную роль. Это означает корректировку цен в соответствии с изменяющимися рыночными условиями. Таким образом, цены варьируются в зависимости от таких факторов, как местоположение, время суток, погода, общий потребительский спрос и т. Д. Это основная идея, по которой было введено повышение цен.

Динамическое ценообразование - это процветающая практика в различных отраслях, таких как путешествия, гостиничный бизнес, транспорт и логистика.

Транспорт и общественные работы - Uber

Динамическое ценообразование - не единственный пример использования машинного обучения в таких компаниях, как Uber. Они в значительной степени полагаются на машинное обучение, чтобы определить наиболее оптимальный маршрут, чтобы доставить пассажира из пункта А в пункт Б.

Для нас это кажется довольно простым решением. Укажите свое местонахождение, пункт назначения, и ближайший водитель приедет за нами. Но то, что кажется простым, на самом деле представляет собой сложную сеть архитектур и сервисов на сервере Uber.

В игре задействовано несколько методов машинного обучения, направленных на оптимизацию выбранного нами маршрута.

Карты Гугл

Вы, должно быть, уже догадались об этом. Карты Google - яркий пример использования машинного обучения. Фактически, я бы порекомендовал открыть Google Maps прямо сейчас и выбрать различные функции, которые он предлагает.

Вот некоторые из них, которые я вижу (и активно использую):

  • Маршруты: от точки А до точки Б.
  • Расчетное время, чтобы проехать по этому маршруту
  • Трафик по маршруту
  • Функция «Исследуйте окрестности»: рестораны, бензоколонки, банкоматы, отели, торговые центры и т. Д.

Google использует множество алгоритмов машинного обучения для создания всех этих функций. Машинное обучение глубоко встроено в Карты Google, поэтому маршруты становятся лучше с каждым обновлением.

Функция оценки времени в пути работает почти идеально. Если он показывает '40 минут до пункта назначения, вы можете быть уверены, что ваше время в пути будет примерно в соответствии с этой временной шкалой. Должен полюбить машинное обучение!

3. Примеры использования машинного обучения в популярных веб-сервисах

Вам понравится этот раздел. Мы взаимодействуем с определенными приложениями каждый день по несколько раз. То, что мы, возможно, не осознавали до недавнего времени, - большинство этих приложений работают благодаря мощности и гибкости машинного обучения.

Вот четыре случая использования, с которыми вы хорошо знакомы. Теперь посмотрим на них с точки зрения машинного обучения.

Фильтрация электронной почты

Имеете дело с слишком большим количеством электронных писем на работе? Или ваш личный почтовый ящик переполнен совершенно случайными письмами и спамом? Мы все были там. Когда-то в моем почтовом ящике было прочитано более 11 000 непрочитанных писем!

Разве не было бы легко, если бы мы могли написать правило, которое будет фильтровать электронные письма по их теме? В эту папку попадало маркетинговое письмо. Электронное письмо о работе приходило в мой основной почтовый ящик (и так далее). Это сделало бы жизнь намного проще.

Как оказалось, именно этим сейчас занимается большинство почтовых сервисов! Они используют машинное обучение, чтобы проанализировать тему письма и распределить его по категориям. Возьмем, к примеру, Gmail. Алгоритм машинного обучения, который использует Google, прошел обучение на миллионах электронных писем, поэтому он может без проблем работать для конечного пользователя (нас).

В то время как Gmail позволяет нам настраивать ярлыки, сервис предлагает ярлыки по умолчанию:

  • Начальный
  • Социальное
  • Акции

Алгоритмы машинного обучения сразу же относят письмо к одной из этих трех категорий, как только вы получаете письмо. Мы получаем мгновенное уведомление, если Gmail считает его «основным».

Конечно, Gmail также использует машинное обучение, чтобы определить, является ли электронное письмо спамом или нет. Функция, за которую мы все искренне благодарны. За прошедшие годы алгоритм Google стал намного умнее, решая, является ли электронное письмо спамом. Вот где так полезно получить больше данных для алгоритма машинного обучения - чего у Google в избытке.

Поиск Гугл

Самый популярный вариант использования машинного обучения в этом (или любом другом) списке. Все использовали Google Search, и большинство из нас использует его несколько раз в день. Рискну сказать, что мы считаем само собой разумеющимся, что Google сразу же предоставит нам наилучшие результаты.

Но как работает поиск Google?

Google Search стал непреодолимым чудовищем, которого не могут сломать смертные. Как это работает, знают только те, кто разработал поиск Google. Одно можно сказать наверняка - Google использует машинное обучение для работы своей поисковой системы.

Мы не можем вообразить количество данных, которые Google должен постоянно обучать и совершенствовать свои алгоритмы. Ни один калькулятор в мире не скажет нам, сколько запросов Google обработал за последние два десятилетия. Это настоящая находка для специалистов по данным!

А теперь представьте, что вас попросили создать собственный поиск в Google. Какие правила вы бы использовали? Какой контент вы бы включили? Как бы вы оценили сайты?

переводчик Google

Я свободно говорю в Google Переводчике. Благодаря этому замечательному сервису Google я освоил отрывки из иностранных языков, таких как немецкий, испанский и итальянский. Каждый раз, когда я сталкиваюсь с фрагментом текста на иностранном языке, Google Translate сразу же предлагает мне ответ.

Вы не удивитесь, узнав, что Google использует машинное обучение, чтобы понимать предложения, отправленные пользователем, преобразовывать их в запрошенный язык и отображать результат. Машинное обучение глубоко укоренилось в экосистеме Google, и мы все извлекаем из этого пользу.

Рекомендации и реклама LinkedIn и Facebook

Платформы социальных сетей - это классические варианты использования машинного обучения. Как и Google, эти платформы интегрировали машинное обучение в свою основу. От вашей домашней ленты до рекламы, которую вы видите, - все эти функции работают благодаря машинному обучению.

Функция, которую мы регулярно видим в разделе «Люди, которых вы можете знать». Это общая черта для всех платформ социальных сетей, Twitter, Facebook, LinkedIn и т. Д. Эти компании используют алгоритмы машинного обучения для просмотра вашего профиля, ваших интересов, ваших нынешних друзей, их друзей и множества других переменных.

Затем алгоритм генерирует список людей, соответствующих определенному шаблону. Затем этих людей рекомендуют вам в надежде, что вы их знаете (или, по крайней мере, у вас есть профиль, очень похожий на ваш).

Я лично связался со многими своими коллегами по профессии и друзьями по колледжу благодаря системе LinkedIn. Это пример использования машинного обучения, приносящий пользу всем, кто участвует в процессе.

Объявления, которые мы видим, работают аналогичным образом. Они адаптированы к вашим вкусам, интересам и особенно к вашей недавней истории просмотров или покупок. Если вы являетесь участником множества групп по анализу данных, алгоритм машинного обучения Facebook или LinkedIn может предложить курсы машинного обучения.

Обратите внимание на это, когда в следующий раз воспользуетесь социальными сетями. Машинное обучение за кулисами!

4. Примеры использования машинного обучения в продажах и маркетинге.

Ведущие компании мира используют машинное обучение, чтобы трансформировать свои стратегии сверху вниз. Две наиболее затронутые функции? Маркетинг и продажи!

В наши дни, если вы работаете в сфере маркетинга или продаж, вам необходимо знать хотя бы один инструмент бизнес-аналитики (например, Tableau или Power BI). Кроме того, ожидается, что маркетологи будут знать, как использовать машинное обучение в своей повседневной деятельности для повышения узнаваемости бренда, улучшения результатов и т. Д.

Итак, вот три популярных варианта использования в маркетинге и продажах, когда машинное обучение меняет принцип работы.

Системы рекомендаций

О рекомендательных механизмах мы кратко говорили ранее. Я упомянул, что эти системы распространены повсеместно. Но где они используются в сфере маркетинга и продаж? И как?

Давайте рассмотрим простой пример, чтобы понять это. До появления IMDb (и Netflix) мы все ходили в магазины DVD или полагались на Google в поиске фильмов для просмотра. Клерк в магазине предлагал, что смотреть, и мы взяли проездной, взяв фильмы, о которых даже не подозревали.

Этот мир почти полностью ушел в прошлое благодаря механизмам рекомендаций. Мы можем войти на сайт, и он рекомендует мне продукты и услуги на основе моего вкуса и предыдущей истории просмотров. Некоторые популярные примеры рекомендательных систем:

  • Сайты электронной коммерции, такие как Amazon и Flipkart.
  • Книжные сайты, такие как Goodreads
  • Киносервисы, такие как IMDb и Netflix
  • Сайты гостеприимства, такие как MakeMyTrip, Booking.com и т. Д.
  • Розничные услуги, такие как StitchFix
  • Агрегаторы еды, такие как Zomato и Uber Eats

Список длинный. Системы рекомендаций есть повсюду вокруг нас, и менеджеры по маркетингу и продажам полагаются на них больше, чем когда-либо прежде, чтобы привлекать (и удерживать) новых клиентов.

Персонализированный маркетинг

Механизмы рекомендаций являются частью общей концепции, называемой персонализированным маркетингом. Смысл этой концепции заключается в самом названии - это разновидность маркетинговой техники, адаптированной к индивидуальным потребностям.

Думать об этом. Сколько звонков вы получаете от кредитных или кредитных компаний, предлагающих свои услуги «бесплатно»? Эти звонки предлагают те же услуги, но вы не понимаете, чего вы хотите (или не хотите). Это традиционный маркетинг, который сейчас устарел и сильно отстал от цифровой революции.

А теперь представьте, были ли эти звонки или электронные письма персонализированы в соответствии с вашими интересами. Если вы большой шопоголик, и это отражается в вашей истории покупок, возможно, сообщение может быть о новой услуге, предлагающей продление вашей кредитной линии. Или, если вы энтузиаст машинного обучения, в электронном письме могут быть предложены курсы на ваш вкус.

Честно говоря, потенциал персонализированного маркетинга ОГРОМНЫЙ. Машинное обучение помогает определять сегменты клиентов и адаптировать маркетинговые кампании для этих сегментов. Вы можете регулярно проверять, как обстоят дела у вашей кампании, с помощью таких показателей, как открываемость, рейтинг кликов и т. Д.

Запросы в службу поддержки (и чат-боты)

Вы поймете это на очень личном уровне, если когда-нибудь имели дело со службой поддержки (а кто нет?). Эти ужасные телефонные звонки, бесконечное ожидание, неразрешенный вопрос - все это очень неприятно для пользователя.

Машинное обучение помогает устранить все эти препятствия. Используя концепции обработки естественного языка (NLP) и анализа настроений, алгоритмы машинного обучения способны понимать, что мы говорим, и тон, которым мы это говорим.

Мы можем условно разделить эти запросы на две категории:

  • Голосовые запросы
  • Текстовые запросы

В первом случае алгоритмы машинного обучения обнаруживают сообщение и настрой, чтобы перенаправить запрос соответствующему специалисту службы поддержки. Затем они могут соответствующим образом взаимодействовать с пользователем.

С другой стороны, текстовые запросы теперь почти исключительно обрабатываются чат-ботами. Почти все компании сейчас используют этих чат-ботов на своих сайтах. Они устраняют препятствия, связанные с ожиданием, и сразу же предоставляют ответы, а значит, обеспечивают супер-полезный опыт для конечных пользователей.

6. Примеры использования машинного обучения в безопасности

Машинное обучение также меняет индустрию безопасности! Дни традиционной безопасности, когда охранники сидели часами напролет, записывали номера машин и останавливали подозрительных людей, - постепенно от нее отказываются.

Компании используют машинное обучение, чтобы лучше анализировать угрозы и реагировать на состязательные атаки. Эти варианты использования распространяются как на офлайн-угрозы, так и на онлайн-угрозы (банковское мошенничество, финансовые угрозы и т. Д.).

Видеонаблюдение

Я уверен, что вы, должно быть, слышали или читали об определенной стране, использующей видеонаблюдение для отслеживания своих граждан (быстрый поиск в Google все равно скажет вам). Организации по всему миру используют видеонаблюдение для различных задач, таких как обнаружение злоумышленников, выявление угроз насилия, поимка преступников и т. Д.

Однако все это не делается вручную. На это уйдет очень много времени. Вместо этого алгоритмы машинного обучения используются для программного обеспечения, встроенного в эти камеры наблюдения.

Эти алгоритмы машинного обучения используют различные методы компьютерного зрения (например, обнаружение объектов) для выявления потенциальных угроз и обнаружения нарушителей.

Кибербезопасность (Captchas)

«Я не робот» - это предложение кажется знакомым? Мы часто сталкиваемся с этой кнопкой, когда веб-сайт подозревает, что имеет дело с машиной, а не с человеком.

Эти тесты называются CAPTCHA, сокращенно от полностью автоматизированного общедоступного теста Тьюринга. Нас просят идентифицировать светофоры, деревья, пешеходные переходы и всевозможные объекты, чтобы доказать, что мы действительно люди.

Светофоры и деревья закрываются другими объектами, машины затемняются, пешеходные переходы становятся более удаленными, и возникают всевозможные сложности. Почему веб-сайты усложняют нам жизнь? Ответ на этот вопрос лежит в машинном обучении.

На сайте Verge об этом лучше всего сказано:

«Поскольку CAPTCHA - такой элегантный инструмент для обучения искусственного интеллекта, любой конкретный тест может быть только временным, что с самого начала признали его изобретатели. Со всеми этими исследователями, мошенниками и обычными людьми, решающими миллиарды головоломок на пороге того, на что способен ИИ, в какой-то момент машины должны были пройти мимо нас ».

Поэтому Google использует машинное обучение, чтобы сделать CAPTCHA еще более сложной для расшифровки. Исследователи используют методы распознавания изображений, чтобы взломать эти CAPTCHAS и, следовательно, повысить их безопасность на сервере.

Выявление мошенничества в банковской сфере

Вы когда-нибудь были жертвой мошенничества с кредитными картами? Это болезненный опыт. Шок от мошенничества усугубляется количеством документов, которые банк просит вас заполнить.

К счастью, машинное обучение решает разные уровни этого процесса. Алгоритмы машинного обучения меняют методы работы банков, от обнаружения мошенничества до предотвращения мошенничества, чтобы улучшить качество обслуживания клиентов.

Задача состоит в том, чтобы не отставать от уровня киберугроз. Эти противники опережают все на два шага на каждом этапе. Как только появляется новейшее решение для машинного обучения, аттачи совершенствуют его и строят на его основе.

При этом машинное обучение определенно помогло упростить этот процесс. Эти алгоритмы могут выявлять мошеннические транзакции и помечать их, чтобы банк мог связаться с клиентами как можно скорее, чтобы проверить, совершили ли они транзакцию.

Хорошим примером является изучение моделей расходов потребителей. Если покупка не соответствует этому шаблону (сумма слишком велика или из другой страны и т. Д.), То алгоритмы предупреждают банк и приостанавливают транзакцию.

Персонализированное банковское дело

Еще один вариант использования рекомендательных систем! Этот предназначен специально для банковской сферы. На данный момент вы должны быть хорошо знакомы с персонализацией - поэтому подумайте о том, что может означать персонализированный банкинг, прежде чем читать дальше.

Мы читали о банках, которые ориентируются на микросегменты клиентов и подбирают для них предложения. Персонализированный банкинг выводит эту концепцию на совершенно новый уровень.

Идеальный сценарий персонализации - это использование машинного обучения для прогнозирования потребностей пользователя и ориентации на сегменты каждого отдельного человека. В отчете BCG говорится:

«Персонализация в банковском деле - это прежде всего не продажа. Речь идет о предоставлении услуг, информации и советов, часто ежедневно или даже несколько раз в день. Такое взаимодействие, в отличие от нечастых сообщений о продажах, составляет основу банковского опыта клиента ".

Прочтите полную статью BCG здесь:

8. Другие популярные варианты использования машинного обучения.

Я хотел включить в этот раздел примеры использования машинного обучения, которые не совсем подходили для вышеперечисленных категорий. Я буду постоянно обновлять этот раздел, поэтому давайте начнем с рассмотрения очень интересного варианта использования - беспилотных автомобилей!

Самоходные автомобили

Из всех вариантов использования, которые мы рассмотрели в этой статье, больше всего меня очаровывают беспилотные автомобили. Это венец того, чего нам удалось добиться с помощью оборудования и машинного обучения.

Прелесть беспилотных автомобилей в том, что все три основных аспекта машинного обучения - контролируемое, неконтролируемое и обучение с подкреплением - используются во всей конструкции автомобиля.

Вот лишь некоторые особенности беспилотных автомобилей, в которых используется машинное обучение:

  • Обнаружение объектов вокруг машины
  • Определение расстояния между идущим впереди автомобилем, где находится тротуар, и светофором
  • Оценка состояния водителя
  • Классификация сцен, среди прочего.

ALOBHA TECHNOLOGIES