Gépi tanulással modellezett gondolkodás

Egyre több nagyvállalat használja ki a technológia korai alkalmazásában rejlő üzleti lehetőségeket.

Idén már több mint 300 millió olyan okostelefon (ez az összes eladott okosmobil több mint ötöde) talál majd gazdára, amely gépi tanulási képességekkel rendelkezik - jósolja a Deloitte tanácsadó cég. Az új lapkatechnológiával készülő processzorok, grafikus feldolgozó egységek és más programozható áramkörök immár lehetővé teszik a neurális hálózatokkal való feldolgozást olyan áron, méretben és energiafogyasztás mellett, hogy a gépi tanulást megvalósító megoldások beépíthetők legyenek az okostelefonokba - nyilatkozta Stuart Johnston, a Deloitte technológiával, médiával és távközléssel foglalkozó vezetője. A gépi tanulás révén utánozható az emberi agy szerkezete és funkciója, s minden korábbinál hatékonyabb beltéri navigációs, képértékelő, kiterjesztettvalóság-, beszédfelismerő és fordítóalkalmazások hozhatók létre. Az átlagfelhasználó azt fogja tapasztalni, hogy a bonyolult műveletek végrehajtása lényegesen egyszerűbbé, személyesebbé és gyorsabbá válik.

Az innovációban élenjáró, a legkülönfélébb iparágakban tevékenykedő vállalatok vagy használják már a gépi tanulást, vagy kísérleteznek a technológiával. Az amerikai InfoWorld szakírója, Bob Violino cégvezetőket kérdezett meg arról, hol tartanak fejlesztéseikkel.

Vizuális keresés
A Pinterest 2014-ben kezdett el foglalkozni a gépi tanulással, amikor egyre nagyobb összegeket fordított a számítógépes látás technológiájára. Létrehozott egy mérnökökből álló kis csapatot, ennek a feladata azoknak az új módszereknek a kidolgozása, amelyek segítségével az emberek megtalálhatják az igényeiknek, tetszésüknek legjobban megfelelő képeket. Alig egy évvel később a vállalat elindította a vizuális keresés nevű új eszközt, amely nem igényel szöveges lekérdezést a keresett információ felkutatásához. A vizuális keresés először tette lehetővé az emberek számára, hogy akkor is megtalálhassák a keresett információt, ha nem tudják szavakkal pontosan leírni, mit keresnek - mondta Mohammad Shahangian, a Pinterest adattudományi részlegének vezetője.

gepi_tanulassal_modellezett_gondolkodas_screenshot_20170417135750_1_nfh.jpg
Nagyításhoz kattintson a képre.

E keresési funkció alapjául a mélytanulás, a gépi tanulás neurális hálózatokat használó változata szolgál. Ez teszi lehetővé a Pinterest számára, hogy a képeken automatikusan felismerje az objektumokat, színeket és mintázatokat, valamint kapcsolódó objektumokat ajánljon. Havonta több mint 200 millió vizuális keresést indítanak a Pinteresten a 2 milliárdnyi szöveges keresés mellett. Tavaly nyáron továbbfejlesztették a vizuális keresést, amely immár valós időben képes azonosítani egy kép összes objektumát.

Jelenleg a Pinterest birtokolja az adatban gazdag képek egyik legnagyobb gyűjteményét az interneten. Shahangian elmondása szerint gépi tanulás segítségével rendszereznek és katalogizálnak 100 milliárdnyi dinamikus objektumot a megvásárolható pinektől kezdve a videókig, így a megfelelő pint tudják megmutatni a megfelelő felhasználónak a megfelelő időben. Fő törekvésük, hogy segítsenek az embereknek felfedezni a vonzó tartalmakat: megvásárolandó termékeket, ízletes recepteket, kipróbálandó projekteket - és a gépi tanulás segítségével személyesebb szolgáltatást tudnak nyújtani nekik. Az egyre nemzetközibb felhasználói táborral rendelkező Pinterest ugyancsak a gépi tanulást használta a lokalizált pinek számának növelésére.

Ügyfélmegtartási stratégia
Anandan Padmanabhan, az Adobe Research vezetőjének tájékoztatása szerint a kreatív szoftvereiről ismert Adobe Systems már évek óta használja a gépi tanulást és a statisztikai modellezést. A felhőalapú előfizetéses üzleti modellre áttérést követően a vállalatnál két alapvető oka volt a gépi tanulás kiterjedt alkalmazásának: egyrészt az online csatornák váltak az ügyfelek megszerzésének elsődleges forrásává, másrészt gondoskodniuk kellett a több milliónyi előfizető megtartásáról. Ráadásul a gépi tanulás segítségével sokkal részletesebb ügyféladatok gyűjthetők az egyes termékek használatáról.

A többféle prediktív modell létrehozása érdekében az Adobe információt gyűjt a termékek használatának módjáról, valamint a marketing- és az ügyfélszolgálati tevékenységről. Ezek között megtalálhatók a fizetett konverziós és megtartási modellek, az upsell és cross-sell modellek, valamint az optimális allokációs és szegmensalapú előrejelző modellek. A vállalat Python Scikit-learn, Spark ML és SAS eszközöket, valamint saját fejlesztésű módszereket használ a gépi tanulás megvalósításához.

Gépi tanulással a vállalatnak sikerült fokoznia az ügyfelek elkötelezettségét, mivel pontosabban be tudta határolni, miképpen használják az előfizetők az egyes termékeket, továbbá hasznos információkhoz jutott a marketingkampányok visszajelzéseiből. Ezeknek köszönhetően képes volt a felhasználók igényeihez hajlítania a termékeket, és hatékonyabbá tudta tenni az ügyfélszolgálati tevékenységet, végeredményben több ügyfelet megtartani. Mindezeken túlmenően az Adobe a gépi tanulás alkalmazásával növelni tudta vállalati előfizetőinek számát, valamint az értékesítés hatékonyságát.

Kockázatkezelés hatékonyan
A pénzügyi kockázatokat menedzselő szolgáltatásokat kínáló LexisNexis Risk Solutions (LNRS) gépi tanulás segítségével védi meg ügyfeleit a személyiséglopástól, a pénzmosástól, a pénzügyi csalásoktól és más veszélyektől. A vállalat sok évvel ezelőtt kezdte el alkalmazni a technológiát a kivételesen nagyméretű és heterogén adatbankokból való információkivonásra és -elemzésre, grafikonok készítésére, valamint eseményekkel kapcsolatos előrejelzésekhez, mondta Flavio Villanustre, az LNRS alelnöke. Főként saját fejlesztésű gépi tanulási eszközöket használnak, amelyek a nyílt forráskódú, masszívan párhuzamos feldolgozású, nagy adattömegek elemzésére szolgáló HPCC Systems platformra épülnek. Ez kiválóan alkalmas komplex modellek kezelésére, igen nagy méretű adatbankok esetében pedig magas fokú méretezhetőséget biztosít.

A modellezéshez a gépi tanulás alkalmazása előtt szükség volt az adott problémateret jól ismerő szakemberekre, a tények meglévő adatokból való kivonására, valamint nagyméretű, heurisztikus alapú programok írására, amelyek feltételes szabályokat használtak a különféle lehetséges kimenetek modellezésére. A gépi tanulás jelentősen változtatott ezen: számítógépekre bízza a tények kivonását, valamint statisztikai egyenleten alapuló modelleket használ a valóság reprezentálására. Ily módon számtalan szakértői munkaóra takarítható meg, és lehetővé válik az olyan adatkészletek feldolgozása, amelyekkel az emberek csak nagy nehézségek árán tudnának megbirkózni. Az eredményül kapott számítógépes programok kisméretűek, egyszerűen futtathatók és hatékonyak.

Az LNRS gépi tanulás segítéségével jeleníti meg az emberekből és szervezetekből álló hálózatokat a csalók azonosítása érdekében. A hitelezési és biztosítási kockázatok kiértékelésére, előrejelzések készítésére, az egészségügyi tranzakcióknál elkövetett személyiséglopási kísérletek azonosítására és bűnözők elfogásának segítésére ugyancsak használja a technológiát.

Villanustre elmondása szerint a gépi tanulás minden tevékenységük alapját képezi. A vállalat folyamatosan nyomon követi a technológia fejlődését. Nagyon ígéretesnek tartják a mély neurális hálózatok és a mélytanulás területén megvalósított legújabb fejlesztéseket. Ugyanakkor a szakember hangsúlyozza: nagyon fontos annak az alapos vizsgálata, hogy az új módszertanok megfelelnek-e a működési területükhöz tartozó országok törvényeinek és szabályozásának, mivel csak így biztosítható, hogy alkalmazásuk a legteljesebb mértékben a társadalom és az egyének hasznára válik.

Kommentek

comments powered by Disqus