Q:
Hvordan kan maskinlæring arbejde fra åbenlyse ineffektiviteter for at introducere nye effektiviteter for erhvervslivet?
EN:En af de største potentielle anvendelser af maskinindlæringssystemer er udvindingen af vigtige effektiviteter til forretningsprocesser og operationer. Dette felt blomstrer stadig, når maskinlæring udvikler sig, og leverandører tilbyder virksomheder mere kraftfulde værktøjer til at evaluere forretningsscenarier.
| Gratis download: Machine Learning og Why It Matters |
Generelt kan maskinlæring give effektiviteter ved at undersøge en større række muligheder og valg, hvoraf nogle kan virke ineffektive på deres ansigt. Et fremragende eksempel er en proces kaldet simuleret annealing, der involverer algoritmer, der giver resultater på nogle af de samme måder, som ingeniører afkøler metal efter smedning. På en måde indtager systemet dataene og undersøger disse ineffektive stier eller resultater for at finde ud af, om de, hvis de kombineres, ændres eller manipuleres på nogen måde, faktisk kan give et mere effektivt resultat. Simuleret annealing er kun en af mange måder, som dataforskere kan skabe komplekse modeller, der kan udrydde dybere effektive muligheder.
En måde at tænke på denne type maskinindlæringsevne er ved at se på, hvordan GPS-navigationssystemer har udviklet sig i de senere år. De tidlige generationer af GPS-navigationssystemer kunne give brugerne en række mest effektive stier baseret på meget basale data - eller rettere, data, der nu for os forekommer meget basale. Brugere kunne finde den hurtigste rute ved hjælp af motorveje, den hurtigste rute uden vejafgift osv. Men som bilisterne lærte, GPS'en var ikke optimal effektiv, fordi den ikke forstod problemer som vejarbejde, ulykker osv. Med splinternye GPS-systemer var disse resultater er indbygget i maskinen, og GPS'et giver meget mere effektive svar igen, fordi algoritmen overvejer stier, der kan synes ineffektive for et mere grundlæggende system. Ved at lære, afslører maskinen effektivitet. Det præsenterer disse for brugeren, og leverer som et resultat en meget mere optimeret service. Det er den type ting, maskinlæring ville gøre for virksomheden - det frigør effektiviteten ved at afdække skjulte stier, der er optimale og effektive, selvom de kræver en vis analytisk kompleksitet. Disse systemer, der er så rettet mod at give optimale resultater, bruges ikke kun til digital business intelligence-mining; for eksempel viser en rapport fra GE, hvordan brug af maskinindlæringssystemer dramatisk kan forbedre driften af kulfabrikker, der leverer strøm til samfundene.
