sobota, Listopad 25, 2017
Home Tagi Wpis otagowany "Uczenie maszynowe"

Uczenie maszynowe

Jako klienci jesteśmy codziennie wręcz zalewani falą materiałów reklamowych. Wiadomości sms, e-maile, banery i komunikaty wyświetlające się na portalach internetowych. Listy otrzymywane pocztą tradycyjną i rozmowy telefoniczne to dzisiaj tylko ułamek komunikacji marketingowej. W takich realiach coraz większe znaczenie ma odpowiedni dobór treści, grupy docelowej, formy i momentu kontaktu. Skuteczne działania marketingowe wymagają wykorzystania narzędzi IT do dokładnej analizy danych. Ogromnej ilości danych. Według organizacji Foundation Capital z siedzibą w Dolinie Krzemowej, wydatki na nowe technologie dostosowane do potrzeb marketingowych mają sięgnąć 120 miliardów dolarów do 2025 roku.

Już w 2013 roku firma Gartner przewidywała, że w ciągu 5 lat wydatki szefów marketingu na technologię przewyższą wydatki samych szefów technologii. Te prognozy nie wzbudzały zdziwienia, gdyż wraz z przeniesieniem komunikacji z klientem do Internetu, projekty z zakresu marketingu cyfrowego zaczęły odgrywać kluczową rolę w niemal każdej organizacji. Kontakt z klientem ma ogromne znaczenie. Granice między działaniami sprzedażowymi, marketingowymi i obsługą klienta coraz bardziej się zacierają, a specjaliści ds. marketingu cyfrowego zaczynają mieć decydujący głos w sprawie budowania strategii interakcji z klientem.

Marketing napędzany przez IT

Według danych firmy badawczej TDWI, to właśnie działy marketingu najczęściej jako pierwsze decydują się na wdrożenie zaawansowanych systemów analitycznych. Wynika to z faktu, że systemy informatyczne są niezbędne do podejmowania efektywnych działań w kluczowych obszarach, do których należy zaliczyć digital marketing, analizy tzw. „customer journey”, e‑commerce czy zarządzanie bazami klientów i relacjami z nimi (CRM).

Szefowie działów marketingu są niezwykle ważną grupą dla firm technologicznych, gdyż coraz częściej to właśnie oni podejmują decyzje o wdrożeniu nowych technologii w firmie. Dotyczy to w szczególności systemów analitycznych, które dziś na nowo definiują rolę marketingu i są kluczem do efektywnego kontaktu z klientem. Na podstawie gromadzonych danych możemy uzyskać niezwykle precyzyjny obraz kupującego. To z kolei pozwala na lepsze dostosowanie oferty do indywidualnego klienta i w efekcie zwiększenie szansy na sprzedaż – tłumaczy Krzysztof Skaskiewicz, Advisory Business Solution Manager w SAS.

Biznes uczy się, jak wykorzystywać sztuczną inteligencję w marketingu

Ponad połowa menedżerów przebadanych przez PwC w ramach 2017 Global Digital IQ® Survey zadeklarowała, że inwestuje w projekty z zakresu sztucznej inteligencji. To wciąż niewiele, biorąc pod uwagę potencjał tej technologii, wynikający chociażby z możliwości wbudowania automatycznych procesów analitycznych w każdy mechanizm odpowiadający za kontakt z klientem co przekłada się na usprawnienie działań marketingowych.

Chcąc pomóc zrozumieć, jakie korzyści niesie ze sobą zwrot ku technologiom wykorzystującym sztuczną inteligencję, SAS – lider analityki biznesowej – określił  sześć podstawowych sposobów na wykorzystanie AI w działaniach marketingowych.

  1. Wsparcie procesów decyzyjnych – Obecnie celem działów marketingowych jest przedstawienie klientowi oferty, która pomoże mu zrealizować jego własny cel (innymi słowy, odpowie najlepiej na potrzeby tego klienta). Przykładowo, osoby zapisane na zajęcia ze szkoły rodzenia mogą otrzymać kupony na zakup ubranek dla dzieci. Klienci są dzieleni na segmenty w oparciu o historię ich decyzji zakupowych. Sztuczna inteligencja (Artificial Intelligence), w tym uczenie maszynowe (Machine Learning), pozwalają przewidzieć, w jaki sposób kupujący z poszczególnych grup zareagują na określoną ofertę. Wykorzystując takie mechanizmy, można w razie potrzeby dobrać ofertę do (przewidywanych) oczekiwań klienta.
  2. Wsparcie działań z zakresu cross-selling oraz up-selling – Celem projektów z zakresu cross-sell jest zwiększenie przychodu pochodzącego od poszczególnego kupującego, budując jednocześnie jego lojalność wobec marki. Uzupełniają je działania up-sell, w ramach których konsumenci są m.in. zachęcani do nabywania nowszych, droższych wersji produktów. Sztuczna inteligencja pozwala zwiększyć efektywność tych działań, wykorzystując potencjał ogromnych ilości danych, którymi dysponuje przedsiębiorstwo. Dane są generowane podczas każdej interakcji klienta z marką – przechowywane w systemach transakcyjnych, tworzone przez każde wyświetlenie strony internetowej, zapisywane jako rezultaty poprzednich kampanii.
  3. Poznanie Głosu Klienta (Customer Voice) – Analiza oczekiwań i potrzeb klientów ma kluczowe znaczenie w procesie przygotowywania ofert produktów czy usług. Wyzwaniem jest poznanie opinii kupujących. Klienci wyrażają je za pośrednictwem różnych kanałów: wiadomości e-mail, komentarze na forach czy wpisy w mediach społecznościowych stanowią obecnie podstawowe z nich. Sztuczna inteligencja umożliwia zautomatyzowane przetwarzanie takich treści poprzez analizę języka naturalnego (Natural Language Processing) oraz obrazów (Digital Image Processing). Dzięki temu firmy mogą poznać stosunek klientów do oferowanych produktów, a nawet ocenić poziom intensywności emocji, które towarzyszą ich opiniom.
  4. Usprawnienie kontaktu z klientem – Nawet najlepszy posiłek nie będzie dobrze smakował, jeżeli obsługa jest fatalna. To twierdzenie można odnieść do każdego rodzaju biznesu, gdyż kontakt z klientem ma znaczący wpływ na odbiór danej marki. Sztuczna inteligencja wspiera m.in. pracowników call center, którzy często stoją na pierwszej linii frontu obsługi klienta. Na podstawie informacji o dzwoniącym, system może pomóc konsultantowi lepiej przygotować się do rozmowy i w efekcie szybko i skutecznie rozwiązać problem.
  5. Łączona analiza danych z wielu źródeł – „Co o nas mówią w Internecie?” – takie pytanie zadaje niemal każda osoba decyzyjna w organizacji, od prezesa po szefa marketingu. Jednak, aby uzyskać pełen obraz sytuacji, informacje pochodzące z sieci nie mogą być analizowane w oderwaniu od danych z innych kanałów. Sztuczna inteligencja umożliwia szybsze przetwarzanie dużych zbiorów zróżnicowanych i detalicznych danych.
  6. Działanie w czasie rzeczywistym – Potrzeby współczesnych klientów zmieniają się bardzo szybko. W dobie Internetu czas od decyzji o zakupie do samego zakupu może wynieść kilka minut. Dlatego niezwykle ważne jest działanie w czasie rzeczywistym. Konieczne jest podejmowanie natychmiastowych decyzji jakie oferty i informacje należy prezentować w oparciu o bieżące aktywności podejmowane przez klienta, na przykład w czasie przeglądania stron internetowych. Celem jest jak najszybsze zaproponowanie oferty, która wzbudzi zainteresowanie kupującego. Sztuczna inteligencja umożliwia identyfikowanie wzorców zachowań, co z kolei pozwala na szybsze działanie i przygotowanie oferty, która w danym momencie zwróci uwagę konsumenta. Dodatkowo, systemy analityczne wykorzystujące sztuczną inteligencję pozwalają na tworzenie różnorodnych scenariuszy biznesowych. Dzięki temu możemy przewidywać skutki danej kampanii marketingowej, minimalizując straty związane z błędnymi decyzjami.

Więcej na temat systemów marketingowych działających w czasie rzeczywistym i wykorzystania sztucznej inteligencji w marketingu będzie można dowiedzieć się podczas spotkania SAS CI Roadshow 2017, które odbędzie się 3.10.2017 w Warszawie. Informacje na temat spotkania znaleźć można pod adresem http://go.sas.com/zzf16k.

Źródło: SAS Institute

Coraz bardziej powszechnym zjawiskiem staje się dziś przypisywanie maszynom działań pozornie inteligentnych, takich, które opierają się na sztucznej inteligencji (ang. Artificial Intelligence – AI). W rzeczywistości jednak wiele z tych czynności nie ma związku z tą technologią. Współczesna sztuczna inteligencja jest zwieńczeniem pewnego etapu technologicznego, jednak czeka ją dalszy rozwój. W jakim kierunku będzie się rozwijała i w jaki sposób można ją wykorzystać w biznesie?

Stephen Hawking powiedział, że każdy aspekt ludzkiego życia zostanie przemieniony przez AI, co może być największym wydarzeniem w historii naszej cywilizacji. Moment ten wydaje się być tylko kwestią czasu. Jednak jeśli ktoś ma obawy, że maszyny przejmą kontrolę nad światem, może na razie spać spokojnie.

Iluzja inteligencji

Aby dokładnie zrozumieć to, że w obecnej formie sztuczna inteligencja jest inteligentna tylko z nazwy, należy odnieść się do powszechnie funkcjonującej definicji. Według niej AI jest systemem informatycznym, który może rozumować podobnie jak człowiek. Definiowane w ten sposób rozwiązanie określa się mianem „silnego AI”. Systemy sztucznej inteligencji nie dotarły jeszcze do tego punktu rozwoju. Większość maszyn swoją pracę opiera na tzw. „słabym AI”, czyli systemach inteligentnie realizujących wąsko określone zadania. System grający w pokera nie postawi pasjansa ani nie zagra w szachy. System wykrywający oszustwa nie poprowadzi samochodu ani nie udzieli porady prawnej. A nawet system sztucznej inteligencji wykrywający nadużycia w ochronie zdrowia nie będzie w stanie wykryć oszustwa podatkowego czy nadużycia w bankowości. Maszyny posiadają zdolności nadludzkie, ponieważ wykonują swoją pracę niezawodnie, dokładnie i przez całą dobę. Inteligencja wymaga jednak kreatywności, innowacyjności, intuicji, niezależnego rozwiązywania problemów i wyrozumiałości, a tego maszynom brakuje.

Dynamiczny rozwój AI

Sztuczna inteligencja to koncepcja znana od dziesięcioleci. Jednak dopiero teraz znajduje ona szerokie, praktyczne zastosowanie wraz ze wzrostem ilości i różnorodności dostępnych danych, a także dostępnością wysoce wydajnych mocy obliczeniowych. Sztuczna inteligencja jest szerokim pojęciem, obejmującym wiele dyscyplin, takich jak uczenie maszynowe, które automatyzuje proces budowy modeli analitycznych w celu wydobywania wiedzy ukrytej w danych bez potrzeby programowania maszyny przez człowieka, sieci neuronowe wzorowane na pracy ludzkiego mózgu, które przetwarzają napływające dane i przekazują wyniki przetwarzania do kolejnych jednostek w celu odnalezienia powiązań i interpretacji danych, uczenie głębokie, które umożliwia rozpoznawanie złożonych wzorców w danych i znajduje zastosowanie w takich obszarach jak rozpoznawanie obrazów i przetwarzanie języka naturalnego. Warto też pamiętać, że sztuczna inteligencja swoją mądrość czerpie z danych. Oznacza to, że każda nieścisłość w danych odzwierciedlona będzie w wynikach. Dlatego dostępność i jakość danych będą miały kluczowe znaczenie dla jej dalszego rozwoju.

Obecnie jednym z najgorętszych i jednocześnie najciekawszych kierunków badań w obszarze AI jest zwiększenie elastyczności i wszechstronności dostępnych metod. Powstają pierwsze systemy, które potrafią zrozumieć powiązania między obiektami czy zdarzeniami (tzw. rozumowanie relacyjne, z ang. relational reasoning), a także uczyć się nowych umiejętności bez zapominania dotychczasowych. Jest to kolejny krok do uczynienia sztucznej inteligencji bardziej „ludzką” – mówi Michał Kudelski, Senior Business Solution Manager w SAS Polska.

AI w każdej branży

Jednak wykorzystanie rozwiązań opartych o tzw. „słabe AI” przynosi już dziś imponujące efekty w dziedzinach takich jak motoryzacja – kierowanie autonomicznym samochodem, marketing i sprzedaż – bardziej pogłębiona analiza potrzeb i zachowań klientów w celu zapewnienia im inteligentnej i spersonalizowanej obsługi  czy medycyna, gdzie maszyna jest w stanie wykrywać na zdjęciach diagnostycznych różne formy raka ze skutecznością dorównującą doświadczonym radiologom. Sztuczna inteligencja posiada potencjał, dzięki któremu ma szansę przekształcić wiele branż, być może nawet wszystkie. Według przewidywań branżami, na które w najbliższym czasie może znacząco wpłynąć ze względu na duży zasób i wartość danych, będą finanse, transport i rolnictwo.

W biznesie już od wielu lat wdrażamy rozwiązania oparte o metody uczenia maszynowego – modele analityczne przynoszą konkretne korzyści biznesowe naszym klientom. Spodziewamy się, że w niedalekiej przyszłości wykorzystanie AI będzie lawinowo wzrastać. Spowoduje to dalszy wzrost nakładów kierowanych na rozwój tej dziedziny, co przesunie nas w kierunku „silnego AI”. Systemy AI będą działały w sposób zbliżony do sposobu działania doradcy biznesowego, a więc wygodniejszy i bardziej przystępny dla odbiorcy. Interakcja człowiek-maszyna zmieni się nie do poznania, nie tylko w biznesie – mówi Michał Kudelski, Senior Business Solution Manager w SAS Polska.

 

 

Źródło: SAS Institute

Chociaż segment Big Data rozwija się nieprzerwanie niemal 6-krotnie szybciej niż cały rynek IT, na wymierne rezultaty przyjdzie nam jeszcze poczekać. Jak wynika z badania przeprowadzonego w USA na zlecenie SAS, 49% przedsiębiorstw twierdzi, że jest za wcześnie, aby ocenić zwrot z inwestycji w projekty Big Data. Jedynie co trzecia firma odnotowała zyski wynikające z wykorzystania rozwiązań do analizy dużych zbiorów danych.

Biznes doskonale zna korzyści związane z wykorzystaniem Big Data. Informacje zawarte w dużych zbiorach danych pochodzą z różnych źródeł i wciąż podlegają aktualizacji, dzięki czemu pozwalają uzyskać pełen obraz sytuacji wewnątrz firmy lub dokonać kompleksowej analizy rynku. W oparciu o Big Data podejmowane są najważniejsze decyzje biznesowe dotyczące planów rozwoju, strategii sprzedaży czy kampanii marketingowych. Nie dziwi zatem fakt, że aż 83% firm ze Stanów Zjednoczonych przebadanych przez SAS inwestuje w projekty związane z Big Data.

Mimo, że inicjatywy te są na różnym stopniu zaawansowania, respondenci zgodnie przyznają, że na ich efekty trzeba będzie jeszcze poczekać. Osiągnięcie szybkich rezultatów ogranicza niski stopień wykorzystania technologii chmurowych i machine learning, a także brak wykwalifikowanych pracowników oraz powszechnego dostępu do danych.

Kto korzysta z Big Data?

Stopień implementacji rozwiązań z zakresu Big Data jest w dużej mierze zależny od branży. Prym wiodą firmy z sektora usług finansowych, które wykorzystują analizę wielkich zbiorów danych między innymi w procesie oceny ryzyka kredytowego, czy selekcji klientów, którym zostanie przedstawiona oferta konkretnego produktu bankowego. Tego typu analizy, które wcześniej trwały nawet kilka dni, dzięki algorytmom umożliwiającym przetworzenie i analizę wszystkich niezbędnych danych, odbywają się teraz w czasie rzeczywistym.

Firmy, które z równym powodzeniem co sektor finansowy wdrażają rozwiązania Big Data to przedsiębiorstwa zajmujące się handlem detalicznym. Kolejną branżą, która w największym stopniu korzysta z potencjału gromadzonych informacji jest telekomunikacja. Firma analityczna IDC przewiduje natomiast, że znaczny popyt będzie także generowany ze strony firm wytwórczych. Ma to związek z upowszechnieniem idei Przemysłu 4.0, która zakłada wykorzystanie m.in. Internetu Rzeczy do poprawy sprawności linii produkcyjnych, a w efekcie zmiany modelu biznesowego przedsiębiorstw, które rozbudowują swoją ofertę w oparciu o nowe technologie. Wdrażając rozwiązania z zakresu Big Data, firmy wytwórcze mogą obniżyć koszty operacyjne średnio o 20 procent, odnotowując przy tym ok. 30 procentowy wzrost zysków. IDC przewiduje, że do końca tego roku przedsiębiorstwa wytwórcze będą odpowiadały za ponad 20 procent wydatków na projekty związane z Big Data.

Duże zbiory danych – umiarkowane rezultaty

Jedną z największych barier rozwoju rynku systemów analitycznych jest brak wykwalifikowanych specjalistów. Firmy zgłaszają coraz większe zapotrzebowanie na osoby, które potrafią przełożyć wnioski z danych na konkretne decyzje biznesowe. Według raportu SAS, tylko co druga firma posiada w swoich szeregach osobę odpowiedzialną za proces ochrony i przetwarzania danych w ramach całej organizacji (Chief Data Officer). Inną barierą jest niski stopień demokratyzacji danych.

Dostęp do informacji mają głównie wykwalifikowani specjaliści z zakresu data science i analitycy biznesowi. Z badania SAS wynika, że jedynie 13% firm umożliwia pracownikom samodzielny dostęp do danych bez wsparcia lub nadzoru zespołu IT.

Problemem jest również czas potrzebny na uzyskanie konkretnych informacji. Różnice w przebadanych firmach były bardzo duże, co z pewnością wynikało z różnego stopnia zaawansowania technologicznego. Jedna trzecia respondentów przyznała, że może liczyć na natychmiastowy dostęp do danych, jednak podobna grupa (28%) wskazała, że może to zająć nawet tydzień. Biorąc pod uwagę dynamikę współczesnego rynku i rosnącą w ogromnym tempie ilość informacji pochodzących z Internetu, możliwość dokonywania szybkich analiz zyskuje kluczowe znaczenie w kontekście podnoszenia konkurencyjności.

Szerszą możliwość wykorzystania narzędzi analitycznych stwarza technologia cloud computing. Dzięki chmurze, osoby decyzyjne mogą mieć dostęp do zintegrowanych informacji w czasie rzeczywistym. Niestety tempo wdrażania usług chmurowych jest nadal bardzo wolne. Jedynie co piąte przedsiębiorstwo przebadane przez SAS korzysta z modelu chmury obliczeniowej, podczas gdy pozostałe firmy przechowują dane na własnych serwerach. Trend ten z pewnością będzie ulegał odwróceniu. Według MarketandMarkets, rynek Cloud Analytics, który w 2013 roku był wart 5,25 mld dolarów, do 2018 roku zwiększy się ponad trzykrotnie, osiągając wartość 16,5 mld dolarów.

Innym rozwiązaniem ułatwiającym wykorzystanie potencjału drzemiącego w danych jest platforma Hadoop umożliwiająca przechowywanie i szybkie przetwarzanie zbiorów Big Data. Z badania SAS wynika, że coraz więcej przedsiębiorstw docenia jej zalety. Aż 56 procent respondentów, którzy aktywnie zaangażowali się implementację projektów z zakresu Big Data zdecydowało się na wykorzystanie tego narzędzia. Z kolei 40 procent przebadanych firm rozważa zastąpienie obecnych rozwiązań hurtowni danych platformą Hadoop.

Machine learning automatyzuje analizę dużych zbiorów danych

Przyszłością Big Data jest sztuczna inteligencja, a dokładniej technologia machine learning, która wpływa na automatyzację i przyśpieszenie procesów analitycznych. Coraz więcej firm dostrzega potencjał związany z wykorzystaniem uczenia maszynowego w zastosowaniach biznesowych. Dzięki wykorzystaniu samouczących się algorytmów, komputery mogą samodzielnie analizować dane oraz dostosowywać modele do zmiennych zjawisk i wymagań w celu szybkiego znalezienia optymalnego rozwiązania. Technologia machine learning wspiera proces decyzyjny oraz umożliwia skuteczne tworzenie predykcji biznesowych. Z raportu SAS wynika, że co piąte przedsiębiorstwo wdrożyło rozwiązania z zakresu machine learning lub sztucznej inteligencji (AI), podczas gdy 23 procent firm eksperymentowało z uczeniem maszynowym. Największy odsetek przebadanych organizacji rozważa wprowadzenie tych rozwiązań w przyszłości, co powinno wpłynąć na przyśpieszenie efektów analizy dużych zbiorów danych.

Źródło: SAS Institute

 

Uczenie maszynowe jest coraz częściej wykorzystywane przez firmy w wielu sektorach gospodarki w procesach podejmowania decyzji biznesowych. Mimo oczywistych korzyści, wynikających ze stosowania uczenia maszynowego, jedynie 20% przedsiębiorstw rozumie, w jaki sposób ta technologia może wpłynąć na ich rozwój.

Jak wynika z danych IDC, w najbliższych latach uczenie maszynowe będzie odgrywało coraz większą rolę w strategii rozwoju biznesu. Firma prognozuje, że w 2020 r. wydatki przedsiębiorstw związane z implementacją machine learning i sztucznej inteligencji wyniosą aż 47 miliardów USD. Oznacza to ponad pięciokrotny wzrost w stosunku do 2016 r., kiedy to na rozwiązania tej klasy wydano 8 miliardów USD. Potwierdzają to również wyniki badania przeprowadzonego przez lidera rynku analityki biznesowej, firmę SAS, według których 28% respondentów już wykorzystuje tę technologię, a 30% planuje w ciągu najbliższych 3 lat wykorzystać uczenie maszynowe w projektach związanych na przykład z cyberbezpieczeństwem.

Badanie SAS pokazuje, że większość firm (68%) postrzega machine learning jako istotny trend technologiczny. Respondenci docenili wpływ uczenia maszynowego na wzrost poziomu cyberbezpieczeństwa (39% wskazań), podejmowanie bardziej trafnych decyzji w oparciu o dane (37%) czy poprawę jakości obsługi klienta (35%). Nie ulega wątpliwości, że ciągły rozwój systemów analitycznych, na bieżąco przetwarzających ogromne ilości danych, zmienia oblicze biznesu, umożliwiając przedsiębiorstwom odkrywanie nowych okazji sprzedażowych, kreowanie konkurencyjnych strategii i skuteczną ochronę przed zagrożeniami.

Machine learning to nic nowego

Uczenie maszynowe (machine learning) to metoda samouczenia się maszyn w oparciu o analizę danych i odnajdywanie zawartych w nich wzorców. Dzięki algorytmom machine learning komputery mogą samodzielnie analizować dane oraz automatycznie tworzyć i dostosowywać modele w celu samodoskonalenia i nabywania nowej wiedzy, potrzebnej do rozwiązania zadanego problemu. Wszystko odbywa się w sposób zautomatyzowany, bez potrzeby wcześniejszego zaprogramowania przez człowieka.

Choć koncepcja uczenia maszynowego jest znana od dziesięcioleci, dopiero w ostatnim czasie zyskała na popularności. Jest to efekt gwałtownego rozwoju technologicznego ostatnich lat, w wyniku którego powstała  potrzeba analizowania coraz większych ilości danych pochodzących z różnorodnych źródeł, a z drugiej strony pojawienia się znacznie bardziej wydajnych technologii obliczeniowych i dużo tańszych platform przechowywania danych. To wszystko zapewnia organizacjom możliwość wykorzystania machine learning do automatycznego generowania modeli, które są w stanie analizować złożone zbiory danych oraz szybciej dostarczać precyzyjne wyniki analiz. Realizując te zadania w skali masowej, organizacja może odkryć nowe szanse biznesowe i uniknąć nieznanego wcześniej ryzyka – tłumaczy Miłosz Trawczyński, Business Consulting Manager w SAS Polska.

Sztuczna inteligencja w służbie biznesu

Ta sama technologia, która doprowadziła do popularyzacji technik machine learning, sprawiła, że systemy analityczne przygotowują prognozy biznesowe, biorąc pod uwagę wszystkie możliwe scenariusze. Ucząc się na bieżąco, mają pełen ogląd sytuacji, dzięki czemu zestawienia są o wiele bardziej kompleksowe i precyzyjne niż materiały przygotowane przez jakiegokolwiek analityka. Żaden człowiek nie jest bowiem w stanie samodzielnie przeanalizować wszystkich informacji, które mogą mieć znaczenie dla danej decyzji biznesowej. Uczenie maszynowe rozwija systemy analityczne nie tylko w oparciu o dane liczbowe. Szybko rozwijającym się obszarem jest uczenie pogłębione (deep learning), oparte na sieciach neuronowych z wieloma ukrytymi warstwami, których działanie podobne jest do operacji wykonywanych przez ludzki mózg. Techniki uczenia pogłębionego są obecnie najbardziej zaawansowaną metodą rozpoznawania wzorców (pattern recognition) – obiektów w obrazach i słów w dźwiękach. Rozpoznawanie wzorców jest wykorzystywane m.in. w procesie rozpoznawania mowy, analizy pisma odręcznego, analizy zdjęć i nagrań video.

Korzyści dla każdej branży

Wykorzystanie machine learning w procesie analizy danych przynosi korzyści firmom z różnych sektorów gospodarki. W branży motoryzacyjnej uczenie maszynowe pozwala tworzyć systemy wczesnego reagowania, dzięki którym samochód może np. samemu wykonać manewr, gdy zamontowane w nim czujniki wykryją zagrożenie. Z kolei banki wykorzystują machine learning w procesach zarządzania relacjami z klientami, rekomendując im dopasowane do ich potrzeb produkty, a także do zapobiegania oszustwom i wyłudzeniom. Innym przykładem jest detekcja usterek i wad powstających w procesie produkcji. System, znając wygląd przykładowego produktu, potrafi zlokalizować często niewidoczny dla oka defekt. Uczenie maszynowe szybko zdobywa popularność w sektorze ochrony zdrowia dzięki rozwojowi telemedycyny i powszechnemu dostępowi do wyposażonych w sensory urządzeń, które mogą gromadzić dane umożliwiające diagnozę stanu zdrowia pacjenta w czasie rzeczywistym. W badaniu przeprowadzonym przez SAS wzięli udział przedstawiciele sektora użyteczności publicznej, czyli dostawcy prądu, gazu oraz wody. Przedsiębiorstwa z tej branży każdego dnia przetwarzają i analizują ogromne ilości danych generowanych przez klientów oraz sensory wbudowane w urządzenia i liczniki. Większość przebadanych firm pochodziła ze Stanów Zjednoczonych, gdzie stopień wykorzystania nowoczesnych technologii jest dość wysoki. Jednak tylko 20% respondentów było świadomych korzyści, które ich firma może uzyskać dzięki zastosowaniu machine learning.

Większość przedsiębiorstw rozumie dziś, że inwestycja w machine learning jest niezbędna, jeżeli chce się skutecznie konkurować na rynku. Trzeba jednak pamiętać, że algorytmy to nie wszystko. Kluczem do sukcesu jest ich połączenie z właściwymi narzędziami i procesami. Do opracowania dobrych systemów uczenia maszynowego potrzebne są zaawansowane narzędzia do przygotowania danych, ich eksploracji i wizualizacji, interfejsy użytkownika do budowania modeli i implementacji powtarzalnych procesów oraz wydajne silniki analityczne, automatyzujące proces przetwarzania danych w decyzje. Najlepiej, jeśli wszystkie te elementy są dostępne w ramach jednej zintegrowanej platformy analitycznej – podsumowuje Miłosz Trawczyński, Business Consulting Manager w SAS Polska.

Źródło: SAS Institute

Eksperci

Lipka: Młodzi Polacy nie garną się do pracy. To problem

Tylko 10 procent młodych Polaków, którzy kształcą się po 18. roku życia, decyduje się na łączenie na...

Kalata: Zmiany w ustawie o systemie ubezpieczeń społecznych

Zgodnie z art. 19 ust. 1 ustawy o systemie ubezpieczeń społecznych (dalej: ustawa systemowa), roczna...

Przasnyski: Produkcja stara się nadążyć za popytem

Po niewielkim wrześniowym spowolnieniu, październik przyniósł zdecydowany powrót ożywienia w przemyś...

Gontarek: Firmy dają duże podwyżki, aby zatrzymać pracowników

Przeciętne zatrudnienie w październiku br. wzrosło o 4,4 proc.  r/r, zaś wynagrodzenie aż o 7,4 proc...

Bugaj: Ikar hossy coraz bliżej Słońca

Według najnowszej ankiety przeprowadzonej wśród zarządzających przez BofA Merrill Lynch aż 48% respo...

AKTUALNOŚCI

Firmy szkoleniowe apelują o VAT bez wad

Firmy muszą pokrywać koszty VAT na usługi doradcze finansowane z funduszy europejskich. Tracą na tym...

Apel do Szydło i Kaczyńskiego w sprawie limitu składek na ZUS

Konfederacja Lewiatan w listach do premier Beaty Szydło i prezesa PiS Jarosława Kaczyńskiego apeluje...

Konsumpcja dalej będzie ciągnęła gospodarkę

Bieżący Wskaźnik Ufności Konsumenckiej był najwyższy w historii badań koniunktury konsumenckiej i wy...

PGNiG podpisało kontrakt na dostawy gazu z USA

PGNiG podpisało średnioterminowy, pięcioletni kontrakt z firmą Centrica LNG na dostawy gazu LNG ze S...

Inwestycje firm spadają siódmy kwartał z rzędu

W okresie styczeń-wrzesień 2017 r. przychody przedsiębiorstw średnich i dużych wzrosły o 9,4 proc., ...