F:
Hur kan maskininlärning fungera från uppenbara ineffektiviteter för att införa nya effektiviteter för företag?
A:En av de största potentiella tillämpningarna av maskininlärningssystem är brytning av viktiga effektiviteter för affärsprocesser och drift. Detta fält blomstrar fortfarande i takt med att maskininlärning utvecklas och leverantörer erbjuder företag kraftfullare verktyg för att utvärdera affärsscenarier.
| Gratis nedladdning: Machine Learning and Why It Matters |
I allmänhet kan maskininlärning ge effektivitet genom att undersöka ett större utbud av möjligheter och val, av vilka vissa kan verka ineffektiva i ansiktet. Ett utmärkt exempel är en process som kallas simulerad glödgning som involverar algoritmer som ger resultat på några av samma sätt som ingenjörer kyler metall efter smide. På ett sätt tar systemet in data och undersöker dessa ineffektiva vägar eller resultat för att hitta om de, om de kombineras, förändras eller manipuleras på något sätt, faktiskt kan ge ett mer effektivt resultat. Simulerad glödgning är bara ett av många sätt som dataforskare kan skapa komplexa modeller som kan rota ut djupare effektiva alternativ.
Ett sätt att tänka på denna typ av maskininlärningsförmåga är genom att titta på hur GPS-navigationssystem har utvecklats under de senaste åren. De tidiga generationerna av GPS-navigationssystem kan ge användare ett antal mest effektiva vägar baserade på mycket basdata - eller snarare, data som nu för oss verkar mycket grundläggande. Användare kunde hitta den snabbaste vägen med motorvägar, snabbaste rutt utan vägtullar, men som bilisterna fick veta var GPS: n inte optimalt effektiv, eftersom den inte förstod problem som vägarbete, olyckor osv. Med helt nya GPS-system var dessa resultat är inbyggda i maskinen, och GPS ger mycket effektivare svar igen, eftersom algoritmen överväger banor som kan verka ineffektiva för ett mer grundläggande system. Genom att lära sig upptäcker maskinen effektivitet. Det presenterar dessa för användaren, och som ett resultat levererar en mycket mer optimerad tjänst. Det är den typ av sak som maskininlärning skulle göra för företag - det kommer att frigöra effektiviteten genom att avslöja dolda vägar som är optimala och effektiva, även om de kräver en viss analytisk komplexitet. Dessa system, som är så inriktade på att ge optimala resultat, används inte bara för gruvdrift för digital affärsintelligens; till exempel visar en rapport från GE hur användning av maskininlärningssystem dramatiskt kan förbättra driften av kolanläggningar som levererar kraft till samhällen.
