Q:
Hoe kan machine learning van duidelijke inefficiënties werken om nieuwe efficiënties voor bedrijven te introduceren?
EEN:Een van de grootste potentiële toepassingen van machine learning-systemen is het ontginnen van belangrijke efficiëntieverbeteringen voor bedrijfsprocessen en -activiteiten. Dit veld is nog steeds in volle bloei, omdat machine learning evolueert en leveranciers bedrijven krachtigere tools bieden om bedrijfsscenario's te evalueren.
| Gratis download: machine learning en waarom het ertoe doet |
Over het algemeen kan machine learning efficiëntie opleveren door een groter aantal mogelijkheden en keuzes te onderzoeken, waarvan sommige op hun gezicht inefficiënt lijken. Een uitstekend voorbeeld is een proces dat gesimuleerd gloeien wordt genoemd en waarbij algoritmen betrokken zijn die op dezelfde manier resultaten produceren als ingenieurs metaal koelen na het smeden. In zekere zin neemt het systeem de gegevens op en onderzoekt deze inefficiënte paden of resultaten om te bepalen of ze, indien gecombineerd, gewijzigd of op enige manier gemanipuleerd, daadwerkelijk een efficiënter resultaat kunnen opleveren. Gesimuleerde gloeiing is slechts een van de vele manieren waarop datawetenschappers complexe modellen kunnen maken die diepere efficiënte opties kunnen uitroeien.
Een manier om na te denken over dit soort mogelijkheden voor machine learning is door te kijken hoe GPS-navigatiesystemen zich de afgelopen jaren hebben ontwikkeld. De vroege generaties van GPS-navigatiesystemen zouden gebruikers een aantal meest efficiënte paden kunnen bieden op basis van zeer basale gegevens - of liever, gegevens die nu voor ons erg basic lijken. Gebruikers konden de snelste route vinden met behulp van snelwegen, de snelste route zonder tolgelden, enz. Zoals automobilisten echter leerden, was de GPS niet optimaal efficiënt, omdat hij problemen als wegwerkzaamheden, ongevallen, enz. Niet begreep. Met gloednieuwe GPS-systemen, deze resultaten zijn in de machine ingebouwd en de GPS biedt opnieuw veel efficiëntere antwoorden, omdat het algoritme paden overweegt die inefficiënt lijken voor een meer basissysteem. Door te leren, onthult de machine efficiëntie. Het presenteert deze aan de gebruiker en levert daardoor een veel geoptimaliseerde service. Dat is het soort ding dat machine learning zou doen voor ondernemingen - het zal efficiëntie vrijmaken door verborgen paden te ontdekken die optimaal en efficiënt zijn, hoewel ze enige analytische complexiteit vereisen. Deze systemen, die zo gericht zijn op het leveren van optimale resultaten, worden niet alleen gebruikt voor digitale business intelligence-mining; een rapport van GE laat bijvoorbeeld zien hoe het gebruik van machine learning-systemen de werking van kolencentrales die stroom leveren aan gemeenschappen dramatisch kan verbeteren.
