Так что же такого привлекательного в этих новых технологиях? Сложно сказать. В конце концов, они все еще появляются. Моя жена любит говорить, что мы, люди, сохранили многие свои животные инстинкты. Мы чувствуем разные вещи: опасность, перемены, враждебность, позитивные вибрации и т. Д. Я думаю, что это немного похоже на новые технологии. Мы чувствуем, что они будут влиятельными, решающими, изменяющими правила игры, изменяющими жизнь, но мы не знаем точно, как и почему. Мы уже живем с обработкой естественного языка, используя поиск Google или siri, мы живем с дронами, летающими над зонами боевых действий, футбольными играми, кукурузными полями и местами для серфинга. Мы живем в условиях кибербезопасности каждый день немного больше.
Я начал этот информационный бюллетень, чтобы восполнить обнаруженный мною пробел. Есть много возможностей для инженеров, разработчиков, докторов наук, технических специалистов, но не так много для нетехнических людей, обычных бизнес-менеджеров. В конечном итоге именно они сделают технологию успешной, и все наладится, как только они ее получат, когда они узнают, какой продукт создать с использованием той или иной технологии. Итак, здесь мы сосредоточимся на бизнес-приложениях. Надеюсь, поможет!

Машинное обучение
Все о том, как мы обучаем алгоритмы, чтобы стать умнее

Allo, мобильное приложение для обмена сообщениями, запущенное Google в 2016 году, - это попытка компании использовать машинное обучение, чтобы сделать чат если не умнее, то, по крайней мере, более полезным и выразительным. Чем больше вы используете Allo, тем лучше его алгоритмы могут определять, как вы звучите, и генерировать заранее написанные ответы, которые не кажутся шаблонными. Более того, Allo может узнать, как вы отправляете текстовые сообщения разным получателям, поэтому он может предложить« хорошего чувака в ответ вашему лучшему другу, но не тогда, когда вы отправляете сообщение своей маме. Smart Reply также преследует скрытую цель: познакомить пользователей с Google Assistant, настоящим мозгом внутри Allo, а также с новым умным динамиком Google Home компании.

Amperity, ранее стелс-стартап, запускает платформу машинного обучения для брендов. Уловка: вместо того, чтобы использовать алгоритм для применения существующих правил к наборам данных, Amperity обучает свой алгоритм разрабатывать свои собственные правила без вмешательства человека на основе информации, поступающей в реальном времени. Система тренируется сама, - сказал Шахани. И это делает общую модель более эффективной. Бренды интегрируются с Amperity так же, как они интегрируются с платформой управления данными. Поскольку Amperity постоянно получает необработанные данные, она применяет машинное обучение для дедупликации записей, создания совпадений идентичностей и разработки профилей клиентов, которые можно активировать для таргетинга, сегментации, создания похожих аудиторий, покупки медиа - всего обычного. Что необычно, так это подход Amperity к идентичности в открытой экосистеме. Такие системы, как Facebook, Google или GitHub сначала устанавливают универсальную идентичность посредством аутентификации, чтобы открыть экосистему инструментов для этой идентичности, - сказал Дэйв Феттерман, вице-президент Amperity по разработке и бывший мобильный технический директор Facebook. В отличие от этого, Amperity создает совпадения идентичности в разрозненных базах данных внутри организации, сказал Феттерман. В некотором смысле это противоположность тому, как обнесенный стеной сад приближается к индивидуальности.

В Розничной торговле машинное обучение может оказать существенное влияние на цепочку поставок. Благодаря Интернету вещей, датчики, маяки, сборщики данных удаленного доступа всех видов могут быть использованы для создания реестра данных. Данные могут отслеживать, происхождение, маршруты, точки контактов, записи, и машина начнет учиться на этих точках данных. Аналитические инструменты могут прогнозировать задержки в днях, часах, неделях и отправлять уведомления.

В Broadcast старший разработчик систем вещания из BBC News Labs сказал, что вещатель хотел использовать машинное обучение, чтобы помочь своим журналистам бороться с цунами контента, с которым они сталкиваются при освещении крупных событий. Беван сказал: «Подумайте о всеобщих выборах в июне [в Великобритании], когда приходит целый ряд внешних источников. Как мы можем использовать обширные метаданные и применить методы машинного обучения к тысячам журналистов в наших лондонских редакциях, пытающихся найти контент в нашей системе?

Так когда же лопнет пузырь машинного обучения? Согласно Ответу Эндрю Нг, соучредителя Coursera; Адъюнкт-профессор Стэнфордского университета на Quora: Около 100 лет назад здесь было много шумихи об электричестве. Этот пузырь еще не лопнул, и мы считаем, что электричество очень полезно! А если серьезно, поскольку глубокое обучение уже приносит огромную пользу - оно используется в веб-поиске, рекламе, распознавании речи, рекомендательных системах и многом другом - очевидно, что оно никуда не денется. Глубокое обучение, а также другие инструменты искусственного интеллекта в более широком смысле (графические модели, планирование, KR и т. Д.) Теперь имеют четкий путь к преобразованию отрасли за отраслью. Его влияние будет ощущаться не только в мире высоких технологий ».
И новости продолжают подтверждать точку зрения Эндрю. Facebook открывает исследовательский центр лаборатории ИИ в Монреале. Amazon открывает лабораторию машинного обучения в Барселоне.
На этой неделе в машинном обучении:

  • Компания мобильных платежей iZettle привлекает 36 миллионов долларов на исследования и разработки в области искусственного интеллекта, машинного обучения и т. Д. Link
  • Notch, компания по машинному обучению из Ричмонда, помещает город на карту Link
  • Машинное обучение раскрывает потенциал 3D-печати Link
  • Серьезно относиться к этике исследований: искусственный интеллект и машинное обучение Связь
  • 10 вещей, которые вы должны знать о машинном обучении Link
  • Машинное обучение можно использовать для блокировки мошенничества Ссылка
  • Ученые-информатики находят способы закодировать любопытство в интеллектуальных машинах. "Ссылка на сайт"

Итак, где вы видите применение машинного обучения в вашей отрасли?
Видите ли вы экономическое обоснование использования машинного обучения в вашей компании?
Как вы думаете, готовы ли вы использовать машинное обучение?

Сообщите нам свои мысли в комментариях.

Спасибо

Мелвин Манчау - консультант по вопросам управления, специализирующийся на бизнес-операциях, технологиях и стратегии для финансовых учреждений. Выраженные здесь взгляды принадлежат ему и не отражают точку зрения PwC.