Idén megduplázódnak a mesterségesintelligencia-rendszerek eladásából származó bevételek, és elérik a 12,5 milliárd dollárt, 2020-ra pedig várhatóan 46 milliárd dollárra emelkednek - jósolja az IDC. Az alábbiakban Mary Branscombe, a CIO.com magazin munkatársának összeállítása alapján ismertetjük a gépi tanulás technológiájának néhány ígéretes alkalmazását.
Marketingautomatizálás és -elemzés
Általában az elsők között kísérleteznek az új technológiákkal a marketingesek. Az Adobe Marketing Cloud, a Dynamics 365 és a Salesforce marketingszolgáltatások gépi tanuláson alapuló előrejelzéseket kínálnak mindenhez, kezdve a kapcsolódó termékek ajánlásától és a személyre szabott keresések megjelenítésétől egészen az ügyletek félrecsúszására vonatkozó figyelmeztetésig és a potenciális ügyfelek alternatív kontaktusainak megtalálásáig.
Az AXA a TensorFlow hetvenváltozós mély gépi tanulási modellt használja annak előrejelzésére, mely ügyfelei szenvednek el valószínűleg olyan balesetet, amely a biztosítónak több mint 10 ezer dollárjába fog kerülni, így optimalizálni tudja az árait. A régebbi modellek nem voltak elég pontosak ahhoz, hogy használhatóak legyenek, az új megoldással ugyanakkor az előrejelzés pontossága a korábbi 40 százalékról 78-ra emelkedett.
Csalásészlelés
Klasszikus adatelemzési probléma a csalárd és rendellenes tranzakciók felderítése. Ám ha nagy adatmennyiségeken végezzük az analízist, a gépi tanulás segít megtalálni az olyan problémás tevékenységeket, mint amikor bűnözők több, a riasztási limitet el nem érő fizetési tranzakciót hajtanak végre, vagy új kereskedők szokatlan viselkedést mutatnak.
A valós idejű csaláselemezéssel foglalkozó Fraud.net az Amazon Machine Learning szolgáltatásának segítségével többféle gépi tanulási modellt épít fel a csalárd tevékenységek felderítésére, nem pedig egyetlen modellel próbálja meg felkutatni az összes lehetséges csalásfajtát. A Fraud.net által védett kereskedőket minden egyes nap több tucatnyi csalási módszerrel igyekeznek átverni.
A gépi tanulás nem csupán a meglévő ügyfelek által elkövetett csalások felderítésére alkalmas: a biztosítók azokat az új szerződőket is ki akarják szűrni e technológiával, akiknek járműve már a biztosítási szerződés hatályba lépése előtt megrongálódott. A Ford autógyár hitelezéssel foglalkozó részlege a ZestFinance gépi tanulási eszközeinek segítségével határozza meg annak a valószínűségét, hogy egy kölcsönt felvevő visszafizeti-e az adósságát, így aztán kaphat hitelt olyan is, akinek egyébként rosszabb a hitelminősítése. Miközben az autóeladások csökkennek, számottevően növelheti a bevételeket, ha olyan vevőket találnak, akiket máskülönben elutasítanának, vagyis a gépi tanulás segít megkülönböztetni a jó vásárlókat a kockázatos vevőktől.
Árukészlet-tervezés
Nem újdonság az ellátási lánc automatizálása, a gépi tanulásnak köszönhetően azonban még elterjedtebbé válhat. A technológia az online vásárlói szokások feltérképezésével, az időjárás vásárlásra gyakorolt hatásának elemzésével, valamint más belső és külső trendek megállapításával lehetővé teszi az árukészlet minden korábbinál hatékonyabb tervezését az előre jelzett kereslet alapján.
Állítása szerint az Amazon pontosan meg tudja határozni, hogy egy adott színű és méretű ingből egyes napokon hány darabot fog eladni, míg a Target áruházlánc a gépi tanuláson alapuló előrejelzési modellek alkalmazásával 15-30 százalékos árbevétel-növekedést ért el. A német Otto kereskedelmi lánc a gépi tanulási technológia segítségével 90 százalékos pontossággal tudja előre jelezni, mit fog értékesíteni az elkövetkező 30 napban, s ennek köszönhetően egyötödével tudta csökkenteni a többletkészletet. A vállalat automatizált beszerzőrendszere havonta 200 ezer árucikket rendel meg külső szállítóktól az előrejelzések alapján.
Logisztika
Üzleti eredményesség szempontjából igen fontos annak a meghatározása, hogy melyik az a legrövidebb út, amelyen az üzletkötők vagy az áruszállítók elérhetik az egy menetben meglátogatni tervezett ügyfeleket. Használhatjuk például a Bing és a Google térképek API-jaiban található prediktív forgalmi szolgáltatásokat izokron térképek készítéséhez, amelyek nem csupán a távolságot, hanem az utazási időt is mutatják. Ezek segítségével megállapíthatjuk például, hogy különféle kiindulási pontokból 15 percnyi autózással hány ügyfelet tud elérni egy szervizmérnök, vagy meghatározhatjuk az árukézbesítéshez leginkább megfelelő napszakokat.
Az RR Donnelley az R programozási nyelvet és a Microsoft-féle Azure Machine Learning Studio szoftvert használta arra, hogy a historikus adatok és különféle változók, például az időjárás, az üzemanyag-költségek, valamint a piaci viszonyok kombinálásával csökkentse a becslések pontatlanságát, ami miatt áruszállítási megbízásoktól esett el.
Prediktív karbantartás
Ha megvárjuk, amíg egy berendezés meghibásodik, a leállás miatt elégedetlenek lesznek az ügyfeleink, ha viszont túl gyakran kapcsoljuk le a berendezéseket karbantartás céljából, csökkenni fog a termelés. Amikor a ThyssenKruppnál elemezni kezdték az általuk telepített és szervizelt több mint egymillió lift karbantartási naplóit, felfedezték, hogy a karbantartási ablak valamivel hosszabb lehetne a korábbinál. Használatba vették a Microsoft Azure IoT Suite szoftvert a szenzorok távoli monitorozására, a hibák előrejelzésére és a berendezések preemptív szervizelésére, s ezzel nem csupán az ügyfél-elégedettséget sikerült növelni oly módon, hogy kiküszöbölték a problémákat, még mielőtt azok meghibásodáshoz vezettek volna, hanem csökkentek a költségek is, mivel a szervizszakemberek már az első látogatásuk alkalmával több problémát hárítottak el. Ráadásul pontosabban tudták előre jelezni, milyen alkatrészeket kell készleten tartani. Gyártósorok esetében egy hasonló fejlesztés a termelés jelentős növekedését eredményezheti.
Az Accenture az ipari IoT-alkalmazásokra vonatkozó 2016-os jelentése szerint a prediktív karbantartás az ütemezett javítások költségét 12 százalékkal, a karbantartási kiadásokat pedig 30 százalékkal csökkenti, míg a leállások ideje akár 70 százalékkal is rövidülhet.
Kiberbiztonság
A kibervédelem hatékonyságán is sokat javíthat a gépi tanulás, hiszen segítségével olyan támadások felderítése is lehetővé válik, amelyeket a hagyományos módszerek nem ismernek fel. Neve ellenére a Windows Defender Advanced Threat Protection funkció nem antivírusprogram, hanem gépi tanuláson alapuló szolgáltatás, amely elemzi a Windows 10 Enterprise változatot futtató PC-k viselkedését, és azonosítja a rosszindulatú programokkal, pszichológiai trükkökkel vagy kihasználó kódot tartalmazó dokumentumokkal elkövetett támadásokat. Bár a biztonsági személyzetnek továbbra is tanulmányoznia kell a naplókat, és el kell hárítania a következményeket, de a gépi tanulás segít a támadások felderítésében.
Képfelismerés
Az építési területeken és a gyártósorokon rengeteg olyan berendezés található, amelyek rossz kezekben veszélyessé válhatnak. A kamerák és szenzorok segítségével megvalósított kép- és arcfelismerés segíthet észlelni, amikor egy berendezést nem biztonságosan használnak, vagy azonosítani azon alkalmazottakat, akik nem végezték el a biztonsági tréninget.
A Hitachi a német mesterségesintelligencia-kutató központtal, a DFKI-val közösen fejlesztett ki egy mély tanuláson alapuló rendszert, amely viselhető eszközöket és a szemmozgást követő szemüvegeket használ. A Microsoft a Build fejlesztői konferencián ugyancsak bemutatott egy hasonló megoldást, amely a Azure Functionst, a Microsoft Cognitive Servicest és az Azure Stacket használja.
Egy-egy teljes körű munkahelyi biztonsági megoldás kifejlesztése komoly kihívást jelent, de akár olyan okostelefonos appok felhasználásával is kivitelezhető, mint például a The Safety Compass, amely együttműködik az Intellect SEEC-féle Risk Analyst kockázatkezelő megoldással, lehetővé téve az alkalmazottaknak, hogy megjelöljék a munkahelyi veszélyforrásokat. Nem kell mást tenniük, mint fényképet készíteni a veszélyes helyekről, majd csatolni a kapcsolódó információkat, és a többi munkavállaló figyelmeztetést fog kapni, ha veszélyes helyhez közelít.
