P:
W jaki sposób uczenie maszynowe może działać z oczywistych nieefektywności, aby wprowadzić nowe usprawnienia dla biznesu?
ZA:Jednym z największych potencjalnych zastosowań systemów uczenia maszynowego jest wydobywanie ważnych wydajności dla procesów biznesowych i operacji. Ta dziedzina wciąż się rozwija w miarę ewolucji uczenia maszynowego, a dostawcy oferują firmom potężniejsze narzędzia do oceny scenariuszy biznesowych.
| Bezpłatne pobieranie: Uczenie maszynowe i dlaczego to ma znaczenie |
Ogólnie rzecz biorąc, uczenie maszynowe może zapewnić wydajność poprzez badanie szerszego zakresu możliwości i wyborów, z których niektóre mogą wydawać się nieefektywne na pierwszy rzut oka. Doskonałym przykładem jest proces zwany symulowanym wyżarzaniem, który obejmuje algorytmy, które dają wyniki w ten sam sposób, w jaki inżynierowie chłodzą metal po kucie. W pewnym sensie system pobiera dane i analizuje te nieefektywne ścieżki lub wyniki, aby ustalić, czy połączone, zmienione lub w jakikolwiek sposób zmanipulowane mogą faktycznie dać bardziej wydajny wynik. Symulowane wyżarzanie to tylko jeden z wielu sposobów, w jaki naukowcy danych mogą tworzyć złożone modele, które mogą wykorzenić głębsze, wydajniejsze opcje.
Jednym ze sposobów myślenia o tego rodzaju zdolności uczenia maszynowego jest przyjrzenie się ewolucji systemów nawigacji GPS w ostatnich latach. Wczesne generacje systemów nawigacji GPS mogły zapewnić użytkownikom szereg najbardziej wydajnych ścieżek opartych na bardzo podstawowych danych - a raczej danych, które obecnie wydają nam się bardzo podstawowe. Użytkownicy mogli znaleźć najszybszą trasę za pomocą autostrad, najszybszą trasę bez opłat drogowych itp. Jednak, jak dowiedzieli się kierowcy, GPS nie był optymalnie wydajny, ponieważ nie rozumiał takich problemów, jak roboty drogowe, wypadki itp. W przypadku zupełnie nowych systemów GPS te wyniki są wbudowane w maszynę, a GPS ponownie zapewnia znacznie bardziej wydajne odpowiedzi, ponieważ algorytm rozważa ścieżki, które mogą wydawać się nieefektywne w przypadku bardziej podstawowego systemu. Ucząc się, maszyna odkrywa wydajność. Przedstawia je użytkownikowi, dzięki czemu zapewnia znacznie bardziej zoptymalizowaną usługę. Tego rodzaju uczenie maszynowe zrobiłoby dla przedsiębiorstw - uwolni efektywność, odkrywając ukryte ścieżki, które są optymalne i wydajne, mimo że wymagają pewnej złożoności analitycznej. Te systemy, które są tak nastawione na zapewnienie optymalnych wyników, nie są wykorzystywane tylko do eksploracji cyfrowej inteligencji biznesowej; na przykład raport GE pokazuje, jak korzystanie z systemów uczenia maszynowego może radykalnie poprawić funkcjonowanie elektrowni węglowych dostarczających energię społecznościom.
