Искусственный интеллект и машинное обучение являются одними из самых значительных технологических достижений в новейшей истории. Немногие области обещают «разрушить» (используя причудливый термин) жизнь, какой мы ее знаем, так же, как машинное обучение, но многие приложения технологии машинного обучения остаются незамеченными.

1. Yelp — курирование изображений в масштабе:

Хотя на первый взгляд Yelp может показаться не технологической компанией, Yelp использует машинное обучение для улучшения взаимодействия с пользователями.

Алгоритмы машинного обучения Yelp помогают персоналу компании более эффективно компилировать, классифицировать и маркировать изображения — немаловажное достижение, когда вы имеете дело с десятками миллионов фотографий.

2. Pinterest — улучшенное обнаружение контента:

Являетесь ли вы хардкорным пиннером или никогда раньше не пользовались сайтом, Pinterest занимает любопытное место в экосистеме социальных сетей. Поскольку основной функцией Pinterest является курирование существующего контента, имеет смысл, что инвестиции в технологии, которые могут сделать этот процесс более эффективным, будут приоритетом — и это определенно относится к Pinterest.

В 2015 году Pinterest приобрела Kosei, компанию по машинному обучению, которая специализировалась на коммерческих приложениях технологий машинного обучения (в частности, на алгоритмах обнаружения контента и рекомендации).

Сегодня машинное обучение затрагивает практически все аспекты бизнес-операций Pinterest, от модерации спама и обнаружения контента до монетизации рекламы и сокращения оттока подписчиков на электронные рассылки. Довольно круто.

3. Твиттер — кураторские временные рамки

Твиттер был в центре многочисленных споров в последнее время (не последними из которых были высмеиваемые решения об округлении аватаров всех и изменения в способе пометки людей в ответах @), но одно из наиболее спорных изменений, которые мы в Твиттере было движение к алгоритмической ленте.

Предпочитаете ли вы, чтобы Twitter показывал вам «сначала лучшие твиты» (что бы это ни значило) или в разумной хронологической последовательности, эти изменения управляются технологией машинного обучения Twitter. Искусственный интеллект Twitter оценивает каждый твит в режиме реального времени и оценивает его по различным показателям.

В конечном счете, алгоритмы Twitter отображают твиты, которые, вероятно, приведут к наибольшему взаимодействию. Это определяется в индивидуальном порядке; Технология машинного обучения Твиттера принимает эти решения на основе ваших индивидуальных предпочтений, в результате чего фиды создаются на основе алгоритмов, что, если быть до конца честным, отстойным. (Кто-нибудь на самом деле предпочитает алгоритмическую ленту? Скажите мне, почему в комментариях, милые чудаки.)

4. IBM — Лучшее здравоохранение

Включение IBM может показаться немного странным, учитывая, что IBM является одной из крупнейших и старейших компаний, занимающихся традиционными технологиями, но IBM удалось удивительно хорошо перейти от старых бизнес-моделей к новым потокам доходов. Ни один из продуктов IBM не демонстрирует это лучше, чем знаменитый ИИ Watson.

Пример использования IBM Watson
для тестирования и проверки поведенческих моделей с самообучением

Watson может быть чемпионом Jeopardy!, но он может похвастаться значительно более впечатляющим послужным списком, чем победа над людьми в телевизионных игровых шоу. В последние годы Watson был развернут в нескольких больницах и медицинских центрах, где он продемонстрировал свою способность давать очень точные рекомендации по лечению определенных видов рака.

Watson также демонстрирует значительный потенциал в секторе розничной торговли, где его можно использовать в качестве помощника для покупателей, а также в индустрии гостеприимства. Таким образом, IBM теперь предлагает свою технологию машинного обучения Watson на лицензионной основе — один из первых примеров приложения ИИ, упакованного таким образом.

5. Salesforce — интеллектуальные CRM

Salesforce — это титан в мире технологий с большой долей рынка в области управления взаимоотношениями с клиентами (CRM) и соответствующими ресурсами. Прогнозирование потенциальных клиентов и их оценка являются одними из самых сложных задач даже для самого опытного цифрового маркетолога, поэтому Salesforce делает большие ставки на свою запатентованную технологию машинного обучения Einstein.

Salesforce Einstein позволяет компаниям, использующим программное обеспечение Salesforce CRM, анализировать каждый аспект отношений с клиентом — от первоначального контакта до точек взаимодействия — для создания более подробных профилей клиентов и выявления важных моментов в процессе продаж. Это означает гораздо более полную оценку лидов, более эффективное обслуживание клиентов (и более довольных клиентов) и больше возможностей.

Будущее машинного обучения

Одна из главных проблем быстрого технического прогресса заключается в том, что по какой-то причине мы принимаем эти скачки как должное. Некоторые из перечисленных выше применений машинного обучения были бы почти немыслимы еще десять лет назад, и тем не менее темпы, с которыми развиваются ученые и исследователи, просто поразительны.

Итак, что дальше в тенденциях машинного обучения?

Машины, которые учатся более эффективно

Вскоре мы увидим искусственный интеллект, способный учиться гораздо эффективнее. Это приведет к изменениям в том, как обрабатываются алгоритмы, например, к развертыванию ИИ, который может распознавать, изменять и улучшать свою собственную внутреннюю архитектуру с минимальным человеческим контролем.

Автоматизация противодействия кибератакам

Рост киберпреступности и программ-вымогателей вынудил компании всех размеров пересмотреть свои действия в отношении системных онлайн-атак. Вскоре мы увидим, что ИИ будет играть гораздо более важную роль в мониторинге, предотвращении и реагировании на кибератаки, такие как взлом базы данных, DDoS-атаки и другие угрозы.

Убедительные генеративные модели

Генеративные модели, такие как те, которые использует Baidu в нашем примере выше, уже невероятно убедительны. Скоро мы вообще не сможем отличить. Улучшения в генеративном моделировании приведут к созданию все более сложных изображений, голосов и даже целых личностей, полностью генерируемых алгоритмами.

Лучшее обучение машинному обучению

Даже самый сложный ИИ может учиться настолько эффективно, насколько эффективно его обучение; часто для обучения систем машинного обучения требуются огромные объемы данных. В будущем системам машинного обучения будет требоваться все меньше и меньше данных для «обучения», в результате чего системы смогут обучаться намного быстрее со значительно меньшими наборами данных.