0
0
Искусственный интеллект и глубокое обучение являются одними из самых значительных технологических достижений в новейшей истории. Эти технологии стали незаменимыми помощниками в повседневной жизни и делают наш опыт использования различных сервисов и платформ более комфортным. Вот несколько примеров внедрения подобных алгоритмов крупными компаниями.
Семь примеров использования глубокого обучения в бизнесе
Яна Носенко
В проекте Dig(IT)al рассказываем о технологиях, которые помогут вам заработать. Переходите на цифровую сторону бизнеса.
Глубокое обучение — это подкатегория методов машинного обучения, основанных на технологиях искусственного интеллекта, или система алгоритмов, которая обучается на больших объемах сгенерированных данных. В первую очередь она развивает глубокое понимание предметной области и передает эту информацию конечным пользователям в удобной форме. Внедрение глубокого обучения становится все более популярным, так как растет скорость генерации данных в таких отраслях, как банковское дело, финансы и страхование, здравоохранение, розничная торговля и государственные услуги.
Крупнейшие проекты глубокого обучения
Системы с поддержкой ИИ позволяют выполнять задачи эффективнее и точнее, чем если бы это делал человек. Например, в финансовом секторе системы глубокого обучения помогают сотрудникам банка расширять свои рабочие возможности и позволяют финансовым учреждениям больше концентрироваться на взаимодействии с клиентами, чем на традиционном подходе, основанном на транзакциях. Кроме того, на основе биографии клиента алгоритмы могут предлагать более релевантные контекстные решения. Системы глубокого обучения также позволяют персонализировать обслуживание, учитывая конкретные потребности клиентов и их толерантность к рискам.
Технологии глубокого обучения используются в:
- обнаружении мошенничества,
- беспилотных автомобилях,
- виртуальных помощниках,
- суперкомпьютерах,
- системах управления клиентской базой (CRM),
- инвестиционном моделировании,
- системах распознавания лиц.
«Когда-нибудь мы станем свидетелями того, как ИИ и глубокое обучение помогут нам достичь суперинтеллекта или сингулярности (безудержного технологического роста), — рассуждает главный научный сотрудник Conversica доктор Сид Дж. Редди. — Но сегодня наша главная задача и обязанность как специалистов в области ИИ — следить за тем, чтобы приложения глубокого обучения соответствовали требованиям и приносили пользу пользователям и обществу».
Microsoft
Microsoft Cognitive Toolkit (CNTK) — это набор инструментов с открытым исходным кодом для коммерческого использования глубокого обучения. CNTK позволяет пользователю реализовывать и комбинировать популярные типы моделей, такие как глубокие нейронные сети (DNNs), свёрточные сети (CNNs) и рекуррентные сети (RNNs/LSTMs). CNTK также применяет обучение методом стохастического градиентного спуска (SGD, ошибки обратного распространения) с автоматическим разделением и распараллеливанием между несколькими графическими процессорами и серверами.
NVIDIA
NVIDIA AI — это платформа для разработчиков, включающая в себя фреймворки глубокого обучения с ускорением на графическом процессоре. Она обеспечивает гибкость в проектировании и обучении пользовательских глубоких сетей и предоставляет интерфейсы для часто используемых языков программирования, таких как Python и C/C ++. Это делает NVIDIA одним из ведущих разработчиков систем глубокого обучения в мире.
ClusterOne
Это платформа глубокого обучения для разработки ИИ и машинного языка, которая может проводить несколько экспериментов одновременно, при этом управляя данными и сетью.
В начале 2018 года ClusterOne, основанная бывшими сотрудниками Google, перенесла свою штаб-квартиру из Калифорнии в Сиэтл, чтобы присоединиться к программе инкубатора стартапов в Институте искусственного интеллекта Аллена.
Descartes Labs
Эта компания предоставляет то, что сама называет сервис для «переработки данных на облачном суперкомпьютере для применения машинного интеллекта к массивным наборам данных». Этот процесс, включающий в себя глубокое обучение, позволяет компаниям более эффективно применять как внутренние аналитические данные, так и внешние. Среди разработок компании есть приложения по предотвращению болезней, уменьшению последствий стихийных бедствий, продовольственной безопасности и спутниковых изображений.
Директор правительственных программ Descartes Labs Стивен Труитт недавно заявил, что его компания «планирует запустить платформу суперкомпьютеров для разведки и миссии по повышению осведомленности в сфере обороны».
Boxx
Компания создает высокопроизводительные платформы для различных фреймворков глубокого обучения, включая Tensorflow и PyTorch. По словам вице-президента по маркетингу Билла Лизера, его цель состоит в том, чтобы «ускорить рабочие процессы и способствовать успеху у клиентов». Компания Boxx недавно представила свою новую рабочую станцию для разработки глубокого обучения APEXX Neutrino W на выставке Supercomputing 2018 в Далласе, штат Техас.
TwoSense.AI
Компания TwoSense, специализирующаяся на биометрической безопасности SaaS, использует машинное и глубокое обучение для устранения проблем с аутентификацией и для предотвращения мошенничества. Нейронные сети анализируют различные потоки данных, от местоположения устройства до длины шага, что позволяет создавать уникальные профили пользователей.
Salesforce
Компания Salesforce создала платформу под названием Einstein, которая позволяет упростить искусственный интеллект и улучшить качество обслуживания клиентов с помощью более интеллектуального и персонализированного обслуживания. Платформа обладает такими атрибутами, как продвинутое машинное обучение, глубокое обучение и предсказательная аналитика.
Недавно компания открыла исходный код Einstein, чтобы другие компании могли получить к нему доступ для решения проблем с анализом данных.
Clarifai
Платформа позволяет компьютерам распознавать и понимать визуальный контент аналогично тому, как человеческий мозг обрабатывает изображения. Технологии компании, включающие глубокое обучение, могут применяться в самых разных сферах деятельности — от магазинов электронной коммерции до агентств недвижимости.
Согласно отчету на martechadvisor.com, Clarifai в партнерстве с RichRelevance «предоставит полный спектр стратегий для персонализации ИИ», который позволит «цифровым лидерам использовать глубокое обучение и визуальный ИИ для улучшения опыта в онлайн-шопинге».
Семь примеров успешного применения машинного обучения в бизнесе
1. Yelp — классификация изображений
Yelp — это сервис по поиску товаров и услуг с возможностью просматривать рейтинг и добавлять отзывы. Компания использует машинное обучение для улучшения взаимодействия с пользователями. Поскольку изображения почти так же важны для сервиса, как и отзывы пользователей, неудивительно, что Yelp постоянно стремится улучшать способы обработки фотографий.
Компания впервые внедрила машинное обучение несколько лет назад для реализации своей технологии классификации изображений.
Алгоритмы машинного обучения Yelp позволяют более эффективно компилировать, классифицировать и маркировать десятки миллионов снимков.
2. Pinterest — улучшенный поиск контента
Pinterest занимает одну из лидирующих позиций в экосистеме социальных сетей. Поскольку основная функция сервиса — организовывать существующий контент, имеет смысл инвестировать в технологии, которые могут сделать этот процесс более эффективным.
В 2015 году Pinterest приобрел Kosei, компанию, специализирующуюся на коммерческих приложениях технологий машинного обучения (в частности, на алгоритмах поиска контента и рекомендаций).
Сейчас эта технология затрагивает практически все аспекты бизнес-операций Pinterest, от модерации спама и поиска контента до монетизации рекламы и сокращения оттока подписчиков.
3. Facebook — армия чат-ботов
Возможности чат-ботов в социальных сетях практически безграничны. Некоторых из них сложно отличить от людей при текстовом общении. Любой разработчик может создать и предложить своего бота для включения в Facebook Messenger. Это означает, что даже небольшие компании могут использовать своих ботов. Конечно, это не единственная разработка в сфере машинного обучения, который использует Facebook.
4. Twitter — умная лента
Переход Twitter к использованию алгоритмической ленты вызвал множество споров среди пользователей. Технология машинного обучения позволяет предлагать контент на основе индивидуальных предпочтений пользователя, и в его ленте отображаются более релевантные твиты.
5. Google — нейронные сети
В последние годы компания Google развивалась в таких областях, как технологии против старения, медицинские устройства и нейронные сети. Самым заметным достижением в исследованиях нейронных сетей Google стала сеть DeepMind.
Согласно отчетам, компания изучает «практически все аспекты машинного обучения». Потенциально это может означать разработки в области классических алгоритмов — обработку речи, перевод, а также системы ранжирования и прогнозирования результатов поиска.
6. Edgecase — повышение коэффициента конверсии электронной торговли
На протяжении многих лет розничные торговцы пытались преодолеть разрыв между покупками в магазинах и онлайн-шопингом. Однако многие сайты по-прежнему оставляют желать лучшего. Edgecase, ранее известный как Compare Metrics, надеется изменить это.
Компания считает, что ее технология машинного обучения поможет онлайн-продавцам улучшить взаимодействие с пользователями. Edgecase не только оптимизирует сам процесс покупок, чтобы повысить конверсию, но и планирует обеспечить лучший опыт для покупателей, которые не уверены в том, что они ищут. Компания анализирует поведение и действия пользователей, чтобы сделать онлайн-шоппинг полезнее и ближе к традиционному опыту розничной торговли.
7. Baidu — будущее голосового поиска
Google — не единственный поисковый гигант, который осваивает технологию машинного обучения. Китайская поисковая система Baidu также вкладывает средства в приложения с поддержкой ИИ.
Одной из самых интересных разработок в научно-исследовательской лаборатории Baidu является то, что компания называет Deep Voice, глубокая нейронная сеть, которая может генерировать синтетические голоса, которые очень сложно отличить от подлинной человеческой речи. Сеть анализирует уникальные тонкости ритма, акцента, произношения и высоты тона, чтобы создавать реалистичную речь.
Последняя версия технологии Deep Voice 2 может оказать долгосрочное влияние на обработку естественного языка, лежащую в основе голосового поиска и систем распознавания голосовых образов.
Источник.
Фото на обложке: limbi007 / Depositphotos
Нашли опечатку? Выделите текст и нажмите Ctrl + Enter
Источник: https://rb.ru/
Average Rating