В предыдущей работе Rebel Fridays Исаак Эрнандес из Google for Work напомнил нам о том времени: компьютер победил одного из величайших игроков мира в игре го. Этот пример иллюстрирует, как нам нужно понять, что машины могут дать нам: если в прошлом мы думали, что стоит отметить, что компьютер может победить нас в шахматы, как это возможно, что компьютер может победить нас в еще более сложной игре? несколькими годами позже?

Мы узнаем ответ в машинном обучении: машина, победившая в игре в го, проанализировала миллионы игр, чтобы найти закономерности и использовать их для очень успешных игр. Как мы можем использовать машинное обучение в затрагивающих нас действиях?

Улучшение категоризации или тональности нашего анализа

Машинное обучение - это подкатегория искусственного интеллекта (ИИ), которая занимается алгоритмами, которые позволяют машинам. Эти алгоритмы, используя пакеты данных, выводят информацию о свойствах этих наборов данных, и полученная информация позволяет делать прогнозы относительно будущей информации.
Это возможно, поскольку почти все неслучайные данные имеют шаблоны, и эти шаблоны дают машина способность обобщать. Чтобы сделать вывод, он тренируется, используя модель, которая позволит ему определять наиболее важные части этой информации.

Мы часто сталкиваемся с социальным прослушиванием или инструментами мониторинга, которые классифицируют контент по настроениям, тегам или категориям. Согласно приложению, они могут делать это вручную, используя ресурсы, которые у них есть по умолчанию, или правила, определяющие определенные операции и условия для поиска. Ручной способ почти на 100% точен, но очень медленный и требует много времени, в то время как автоматический способ намного менее точен, несмотря на то, что он быстрее.

Как мы можем улучшить и то, и другое? Использование машинного обучения для объединения человеческих знаний и передачи их машине, чтобы она понемногу определяла свою процедуру и могла автоматически классифицировать с гораздо большей точностью. MonkeyLearn - это пример инструмента, который мы обычно используем для этого.

Делайте выводы, влияющие на бизнес, в режиме реального времени

Обработка естественного языка позволяет машине «понимать» текстовые или голосовые сообщения, которые позже попадают в текстовые каналы, которые можно анализировать. Чтобы понять это, рассмотрим простой пример из сложной задачи фильтрации электронной почты. Предположим, вы получили много спама со словами «интернет-аптека». Как человек, вы можете распознавать закономерности и быстро определять, что любое сообщение, содержащее «интернет-аптеку», является спамом и должно быть отправлено прямо в корзину. Это обобщение, которое ментальная модель использует для определения того, что такое спам.
После того, как несколько из этих писем помечены как нежелательные, алгоритм обучения, разработанный для фильтрации спама, должен быть способен сделать такое же обобщение, что и вы.

Благодаря обработке естественного языка, помимо выявления шаблонов в обычных текстовых или видео-сообщениях, которые отправляются спонтанно. Например, клиент пишет в Твиттере о том, как хорошо или плохо с ним обращались в автосалоне и почему в итоге они получили такой опыт. Благодаря инструментам с НЛП и машинным обучением мы можем рисовать концепции и идентичности (используя интеллектуальный анализ текста), которые служат способом определения того, какие части опыта были положительными или отрицательными: то, как продавец относился к покупателю, тест-драйв, предлагал цена билета, или атмосфера. Как и этот, путь клиента к клиенту отмечается другими случаями в разных контекстах. Например, как мы делаем выводы, влияющие на бизнес, на основе отзывов клиентов, оставленных на сайтах сравнения отелей.

Спасение жизней

Самоубийство - вторая по значимости причина смерти людей в возрасте от 15 до 29 лет, серьезная проблема, влияющая на повседневную жизнь. Имея это в виду, Группа обработки естественного языка и информационных систем Университета Аликанте (Grupo de Procesamiento de Lenguaje Natural y Sistemas de Información) решила принять меры: они запустили краудфандинг Life! Проект по разработке инструмента, который может обнаруживать чувства или эмоции в сообщениях в социальных сетях и пытаться предотвратить самоубийства, анонимно связываясь с организациями по предотвращению самоубийств.

Глядя в будущее

Благодаря применению таких методов, как машинное обучение и обработка естественного языка в сочетании с достижениями в области программного и аппаратного обеспечения, мы можем применить точность труда, выполняемого человеком, использующим автоматизацию. Это означает, что машина становится все более продвинутой в выявлении закономерностей, экономит время на работе и дает нам возможности обучения, которые позволяют нам улучшить анализ процесса, который мы пытаемся выполнять каждый день, просто используя базу данных. с небольшим количеством информации, что также приводит к тому, что мы тратим слишком много времени и денег, чтобы окупить затраты.

Автор Давид Гарсия Навас.