Q:
Kan de samme maskinindlæringsværktøjer arbejde for både detail- og fremstillingsvirksomheder?
EN:Når det kommer til at skræddersy værktøjer til læring af maskiner til både detail- og fremstillingsvirksomheder, er der nogle betydelige ligheder, men der er også grundlæggende forskelle.
I detailhandlen er det store flertal af maskinlæringsværktøjer og -processer orienteret mod salg og kundeorienterede initiativer. Virksomheder bruger den enorme magt ved maskinlæring til at grave gennem data, der giver dem mulighed for at sælge, der øger konvertering og dermed overskud. Et fremragende eksempel, der strækker sig mellem linjen mellem maskinlæring og kunstig intelligens, er at forfølge kundeafgrænsning omkring opgivelse af indkøbsvogn. Sættene med værktøjer, der aktivt når ud til kunder, der har forladt genstande i en indkøbskurv, klassificeres ofte som kunstig intelligensværktøj, men andre værktøjer, der simpelthen samler og analyserer data for at udvikle menneskedrevne systemer, er eksempler på maskinlæring, der anvendes til detailhandelen.
| Gratis download: Machine Learning og Why It Matters |
I fremstillingen ser maskinlæringslandskabet ganske anderledes ud. Maskinindlæring gælder for fremstilling og produktion af fysiske varer på ganske mange unikke måder. Meget af værdien af maskinlæring i fremstillingen anvendes til håndtering af forsyningskæder. Maskinindlæring informerer vedligeholdelses-, reparations- og eftersynsprocesser (MRO) -processer og andre aspekter ved bygning, emballering eller samling af diskrete eller masseproduktionsgenstande. Med andre ord er mange af de mest værdifulde værktøjer til maskinindlæring i fremstillingen orienteret mod butiksgulvet, ikke rettet mod kunder, men til at opbygge den perfekte "smarte fabrik" og forbedre fysiske processer. (Denne Forbes-artikel er kun et eksempel, der skitserer ti af måderne, hvorpå maskinlæring hurtigt skifter fremstilling og på grundlæggende måder.) I modsætning hertil er maskinelæringsværktøjer mest rettet mod det "smarte salgsgulv" og hovedparten af handel, der foregår nu online eller via digitale platforme.
Med det sagt kan detailvirksomheder også bruge maskinlæringsværktøjer til at håndtere fysiske processer, for eksempel inventar. Ved lagerhåndtering kan maskinindlæringsprediktorer hjælpe detailfirmaer med at spare enorme mængder penge ved kun at holde det lager, de har brug for til rådighed på et givet tidspunkt, og gøre lager- og opbevaringsfunktioner meget mere effektive. En stor værdi af maskinlæring i detailhandlen er dog stadig fokuseret på beslutningsstøtte til salg, på at lære mere om kunden baseret på dyb datasamling og analysepraksis, på at undersøge demografi og personlige oplysninger og få ekstremt værdifuld salgsinformation.
I bund og grund er, at som en harbinger af kommende stærk AI er maskinlæring og dybe læringsværktøjer simpelthen “smarte.” De samler data og giver et helhedsbillede af et bestemt defineret koncept, hvad enten det er i et geografisk, fysisk rum eller et digitalt miljø. Så forskellige industrier bruger kraften i maskinlæring på forskellige måder. Forskellen mellem maskinlæring i detailhandelen og maskinlæring i fremstillingen er et tydeligt eksempel på, hvordan virksomheder peger deres behov og anvender maskinlæringsteknologier i overensstemmelse hermed.
