П:
Како машинско учење може радити из очигледне неефикасности да би се увеле нове ефикасности за посао?
А:Једна од највећих потенцијалних примена система машинског учења је копање важних ефикасности пословних процеса и операција. Ово поље још увек расте, како се развија машинско учење, а продавци нуде компанијама снажније алате за процену пословних сценарија.
| Бесплатно преузимање: Машинско учење и зашто је то важно |
Генерално, машинско учење може пружити ефикасност кроз испитивање већег спектра могућности и избора, од којих неки могу изгледати неефикасни на њиховом лицу. Одличан пример је поступак назван симулирано жарење који укључује алгоритме који дају резултате на исти начин на који инжењери хладе метал након ковања. У одређеном смислу, систем узима податке и испитује ове неефикасне стазе или исходе како би открио да ли, ако се комбинују, мењају или манипулишу на било који начин, могу заиста да дају ефикаснији резултат. Симулирано жарење само је један од многих начина на које научници података могу да направе сложене моделе који могу изкоренити дубље ефикасне могућности.
Један од начина размишљања о овој врсти могућности машинског учења је гледање како су се ГПС навигациони системи развијали последњих година. Ране генерације ГПС навигацијских система могле би корисницима пружити низ најефикаснијих стаза заснованих на врло основним подацима - тачније подацима који нам се сада чине врло основним. Корисници су могли да пронађу најбржу руту помоћу аутопута, најбрже руте без путарина, итд. Међутим, како возачи сазнају, ГПС није био оптимално ефикасан, јер није разумео проблеме попут рада на путевима, несрећа итд. Са потпуно новим ГПС системима исходи су уграђени у машину, а ГПС опет пружа много ефикасније одговоре, јер алгоритам разматра стазе које могу изгледати неефикасне до основног система. Учењем, машина открива ефикасност. Представља их кориснику и, као резултат, пружа много оптимизованију услугу. То је врста ствари коју би машинско учење учинило за предузеће - ослободиће ефикасност откривањем скривених стаза које су оптималне и ефикасне, иако захтевају одређену аналитичку сложеност. Ови системи, који су тако усмерени на пружање оптималних резултата, не користе се само за копање дигиталне пословне интелигенције; на пример, извештај ГЕ показује како употреба система за машинско учење може драматично побољшати рад електрана на угаљ који снабдевају енергију заједнице.
