Машинное обучение в реальном бизнесе

Вот несколько неочевидных способов применения машинного обучения, которые ежедневно делают нашу жизнь лучше.

Сделать пользовательский контент ценным ресурсом

В среднем пользовательский контент ужасен. Он куда хуже, чем вы могли бы подумать. В нём множество опечаток, вульгарщины и ложной информации. С помощью самообучающихся алгоритмов можно определить, какой контент плох, а какой ценен, и отфильтровать его по этому признаку. И люди для этого процесса становятся не нужны.

Примерно то же самое некоторое время назад случилось со спамом. Помните, как его было много? Машинное обучение позволило определять спам и удалять его. Сегодня куда сложнее увидеть спам во «Входящих», чем раньше. То же самое случится с пользовательским контентом в ближайшем будущем:

Найти продукт быстрее

Нет ничего странного в том, что Google как поисковая компания одна из первых начала нанимать экспертов по машинному обучению. Мало того, недавно она поставила такого специалиста во главе поискового подразделения. Возможность индексировать крупные базы данных и искать результаты была создана в 1970-х, но Google делает особенным не это, а способность подбирать самый релевантный результат с помощью машинного обучения.

Умные результаты нужны не только Google:

  • компании Home Depot нужно, к примеру, подобрать ванную, которая бы поместилась в ванное помещение клиента;

  • Apple стремится показать релевантные приложения в App store;
  • Intuit находит подходящую страницу помощи, когда пользователь ищет бланк налоговой декларации.

Успешные стартапы в области электронной коммерции, вроде Lyst и Trunk Archive, используют машинное обучение, чтобы показывать высококачественный контент своим пользователям. Другие компании, вроде Rich Relevance и Edgecase, дают своим клиентам возможность использовать эти стратегии во время поиска нужной продукции.

Привлечь интерес покупателей

Вы, наверное, обратили внимание на то, что в интернете всё реже попадаются формы «свяжитесь с нами». Это ещё одна сфера, где машинное обучение помогло ускорить бизнес-процессы. Вместо того чтобы заставлять пользователей самим выбирать и заполнять бесконечные формы регистрации, обучающийся алгоритм может рассмотреть суть запроса и связать его с нужным местом.

Это может показаться неважным, но крупные компании тратят большие деньги на маршрутизацию и маркировку. Сэкономить время и деньги можно, если связать покупательские запросы напрямую с командой продавцов, а жалобы — с отделом обслуживания клиентов. В то же время проблемы сортируются по приоритету и разрешаются как можно быстрее.

Понять поведение клиента

Растёт использование машинного обучения в области анализа эмоциональной окраски высказываний. Немаркетологу работа с общественным мнением может показаться бессмысленной, но именно благодаря ей принимаются многие крупные решения.

К примеру, киностудия публикует трейлер к летнему блокбастеру и следит за его обсуждением в Сети — на что реагирует аудитория. После этого в контент вносятся изменения, чтобы предложить людям то, на что они лучше реагируют. И это приводит людей в кинотеатры.

Ещё один пример. Игровой разработчик недавно выпустил новую игру в популярной серии игр. Туда не был включён игровой режим, который так ждали фанаты. Когда они начали возмущаться в соцсетях, компания проанализировала болтовню, перенесла релиз игры и внесла соответствующие изменения. Так критики стали промоутерами.

Как они смогли извлечь нужный сигнал из миллионов постов? Они использовали машинное обучение. В последние годы благодаря машинному обучению «слушать» социальные сети стало обычным занятием для бизнеса.

Что дальше?

Работа с самообучающимися алгоритмами — сложная штука. Обычные программы предсказуемы, мы можем заглянуть в них и понять, как они работают. В некотором роде обучающиеся алгоритмы больше похоже на людей. Как пользователи, мы хотим знать, «почему The New York Times показал мне эту странную рекламу» или «почему Amazon порекомендовал мне эту книгу».

Если честно, ни The New York Times, ни Amazon не понимают, почему они выдают определённые результаты. Так же, как наш мозг не понимает, почему мы предпочитаем тайскую еду на обед или потерялись, читая какую-то страницу в Википедии.

Лет десять назад, если бы вы решили работать над машинным обучением, вам было бы трудно заняться этим где-то вне стен Google и Yahoo. Сегодня им занимается все, кому не лень. В Сети всё больше данных, к которым можно легко получить доступ. Затраты на наладку и текущие эксплуатационные издержки последних самообучающихся алгоритмов постоянно снижаются благодаря таким продуктам, как Microsoft Azure ML и IBM Watson.

Вместе с этим, любые компании, внедряющие машинное обучение, щедро финансируются венчурными фондами, вроде WorkDay’s Machine Learning fund, Bloomberg Beta и Data Collective.

Практически любой разговор об искусственном интеллекте у обывателей заканчивается обсуждением личных помощников и самоуправляемых машин (и то, и другое – круто!), но сегодня практически любой сайт использует машинное обучение в своём движке. Компании используют машинное обучение не потому, что это какая-то причуда, или позволяет сервису выглядеть более современным. Они инвестируют в МО потому, что это приносит деньги. Вот почему инновации никуда не исчезнут.

Источник

Data Scientist # 1

Машинное обучение, большие данные, наука о данных, анализ данных, цифровой маркетинг, искусственный интеллект, нейронные сети, глубокое обучение, data science, data scientist, machine learning, artificial intelligence, big data, deep learning

Данные — новый актив!

Эффективно управлять можно только тем, что можно измерить.
Copyright © 2016-2021 Data Scientist. Все права защищены.