Контент прошлой недели был разнообразным, наполненным огромным разнообразием различных концепций машинного обучения, компаний и задач. Это было вдохновляющим, стимулирующим и очень интересным!

Вот три вещи, которые я узнал:

Чтобы машинное обучение действительно развивалось, необходима экосистема сотрудничества между компаниями, стартапами и учеными. Настоящие инновации могут возникнуть, когда академический опыт связан с настоящими бизнес-проблемами в сочетании с предпринимательским складом ума. Компаниям необходимо подумать о том, как они могут более тесно сотрудничать с этими группами.

Обработка естественного языка (NLP) может быть эффективным инструментом для «прослушивания» сообщений клиентов / клиентов, интерпретации намерений и использования их для активации процесса принятия решений или запуска последующих процессов. Беседы лежат в основе многих предприятий, и компании могут иметь огромные объемы текстовых данных о своих разговорных взаимодействиях с клиентами / покупателями (электронная почта, чат и т. д.).

  • Текст можно преобразовать в векторизованный формат с помощью алгоритма неконтролируемого машинного обучения. Слова с похожими значениями сгруппированы близко друг к другу, и, как и в традиционных векторах, векторы слов можно складывать и вычитать (см. Изображение ниже).
  • Сгруппировав текст в кластеры со схожим значением, менеджеры могут идентифицировать и классифицировать группы и принимать соответствующие меры.

Нейроморфная инженерия - еще один захватывающий рубеж, на котором достижения в области машинного обучения достигаются за счет аппаратного, а не программного обеспечения. Эти новые компьютерные системы имеют физические компоненты, которые имитируют поведение нейронов и нейронных сетей в мозге, используя процессы, которые мозг использует, чтобы вести к обучению и интеллекту. Нейроморфные чипы могут привести к самообучению без необходимости в больших наборах данных, которые обычно требуются для алгоритмов машинного обучения. Они позволяют компьютерной системе учиться в реальном времени, как это делают люди. Кроме того, их энергопотребление значительно ниже, что делает их более эффективными в эксплуатации.

В качестве исследовательской мысли на этой неделе, когда я слушал лекции, две из затронутых нами тем были связаны в моем сознании с растущей областью влияния маркетинга, которая Forbes предсказал, что она« взорвется в 2017 году ». Бренды все чаще подключаются к сетям, созданным восходящими звездами социальных сетей в Instagram, YouTube, Facebook, чтобы взаимодействовать с клиентами на более личном уровне.

Две темы, которые инициировали эту мысль, были сетевой анализ и НЛП взаимодействия клиент / заказчик.

Сетевой анализ рассматривает различные узлы в системе (например, социальную сеть) и то, как они связаны со всеми остальными. Этот тип анализа может быть очень актуален для компаний, чтобы они могли выбрать правильные типы влиятельных лиц для своей кампании, например:

  • Чтобы транслировать сообщение, они могут выбрать влиятельного лица в центре сети с очень широким охватом, не только через своих подписчиков, но и через подписчиков своих подписчиков и так далее (слева на изображении ниже)
  • Чтобы привлечь всех в сети к принятию определенного продукта, они могут выбрать влиятельного лица в центре закрытой сети (правая часть изображения ниже). Один, где все узлы подключены к другим.

Затем НЛП может быть полезно для мониторинга воздействия маркетинговой кампании влиятельных лиц, анализируя большие объемы данных о взаимодействии с клиентами (например, в форме комментариев к публикации), чтобы определить ключевые темы / темы, которые помогают принимать решения.

Сетевой анализ также можно использовать для моделирования воздействия любых новых действий / кампаний перед их активацией.

Я по-прежнему восхищаюсь и воодушевляюсь тем, как темы, которые я изучаю на этих лекциях, расширяют мой кругозор возможностей, побуждают меня новаторски мыслить о технологиях и бизнесе и дают мне более широкий набор инструментов для объединения различных концепций для решения проблем.