Содержание
Q:
Как машинное обучение может работать от очевидной неэффективности, чтобы ввести новую эффективность для бизнеса?
A:
Одним из крупнейших потенциальных применений систем машинного обучения является извлечение важных показателей эффективности бизнес-процессов и операций. Эта область все еще активно развивается по мере развития машинного обучения, и поставщики предлагают компаниям более мощные инструменты для оценки бизнес-сценариев.
В целом, машинное обучение может обеспечить эффективность за счет изучения более широкого спектра возможностей и вариантов, некоторые из которых могут показаться неэффективными на первый взгляд. Отличным примером является процесс, называемый имитационным отжигом, который включает в себя алгоритмы, которые дают результаты в некоторых из тех же способов, которыми инженеры охлаждают металл после ковки. В некотором смысле, система берет данные и анализирует эти неэффективные пути или результаты, чтобы определить, могут ли они, если они объединены, изменены или манипулированы каким-либо образом, действительно привести к более эффективному результату. Имитация отжига - это только один из многих способов, с помощью которых ученые, работающие с данными, могут создавать сложные модели, которые позволяют выявлять более глубокие и эффективные варианты.
Один из способов подумать об этом типе возможностей машинного обучения - посмотреть, как развивались системы GPS-навигации в последние годы. Ранние поколения навигационных систем GPS могли предоставить пользователям ряд наиболее эффективных путей, основанных на очень базовых данных, или, точнее, данных, которые сейчас нам кажутся очень простыми. Пользователи могли найти самый быстрый маршрут, используя автомагистрали, самый быстрый маршрут без платы за проезд и т. Д. Однако, как выяснили автомобилисты, GPS не был оптимально эффективным, потому что он не понимал такие вопросы, как дорожные работы, аварии и т. Д. С совершенно новыми системами GPS они результаты встроены в машину, и GPS дает гораздо более эффективные ответы, опять же, потому что алгоритм рассматривает пути, которые могут показаться неэффективными для более простой системы. Обучаясь, машина раскрывает эффективность. Он представляет их пользователю и, как результат, предоставляет гораздо более оптимизированный сервис. Это то, что машинное обучение может сделать для предприятия - оно высвободит эффективность, открыв скрытые пути, которые являются оптимальными и эффективными, даже если они требуют некоторой аналитической сложности. Эти системы, нацеленные на обеспечение оптимальных результатов, используются не только для майнинга цифровой бизнес-аналитики; например, в отчете GE показано, как использование систем машинного обучения может значительно улучшить работу угольных электростанций, обеспечивающих электроэнергию для сообществ.