Obsah
Q:
Jak může strojové učení fungovat od zjevných nedostatků a zavádět nové efektivnosti pro podnikání?
A:
Jednou z největších potenciálních aplikací systémů strojového učení je těžba důležité efektivnosti obchodních procesů a operací. Tato oblast stále roste, protože se strojové učení vyvíjí a dodavatelé nabízejí společnostem výkonnější nástroje pro hodnocení obchodních scénářů.
Obecně lze říci, že strojové učení poskytuje efektivitu zkoumáním většího množství možností a možností, z nichž některé se mohou na jejich tváři zdát neefektivní. Vynikajícím příkladem je proces nazývaný simulované žíhání, který zahrnuje algoritmy, které přinášejí výsledky stejným způsobem, jakým inženýři chladí kov po kování. V jistém smyslu systém přijímá data a zkoumá tyto neefektivní cesty nebo výstupy, aby zjistil, zda, pokud jsou kombinovány, pozměněny nebo jakýmkoli způsobem manipulovány, mohou skutečně přinést efektivnější výsledek. Simulované žíhání je jen jedním z mnoha způsobů, jak mohou vědci v oblasti dat vytvářet složité modely, které mohou vykořenit hlubší efektivní možnosti.
Jedním ze způsobů, jak přemýšlet o tomto typu schopnosti strojového učení, je pohled na vývoj GPS navigačních systémů v posledních letech. Počáteční generace navigačních systémů GPS mohou uživatelům poskytnout řadu nejúčinnějších cest založených na velmi základních datech - nebo spíše na datech, která se nám nyní zdají velmi základní. Uživatelé mohli najít nejrychlejší trasu pomocí dálnic, nejrychlejší trasy bez mýtného atd. Jak se však motoristé dozvěděli, GPS nebyl optimálně účinný, protože nerozuměl problémům, jako jsou práce na silnici, nehody atd. U zcela nových systémů GPS tyto Výsledky jsou zabudovány do stroje a GPS poskytuje mnohem účinnější odpovědi, protože algoritmus zvažuje cesty, které se mohou zdát neefektivnější pro základní systém. Učením stroj odhalí efektivitu. Představuje je uživateli a v důsledku toho poskytuje mnohem více optimalizovanou službu. To je typ věci, kterou by strojové učení udělalo pro podnik - uvolní efektivitu odhalením skrytých cest, které jsou optimální a efektivní, i když vyžadují určitou analytickou složitost. Tyto systémy, které jsou tak zaměřeny na poskytování optimálních výsledků, se nepoužívají pouze pro těžbu digitálních podnikových informací; například zpráva od GE ukazuje, jak používání systémů strojového učení může dramaticky zlepšit provoz uhelných elektráren poskytujících energii komunitám.