Chỉ dẫn chi tiết về Machine Learning trong đơn vị

Các công ty đang áp dụng công nghệ học máy (Machine Learning, ML) với tốc độ chóng vánh. Trong hướng dẫn này, chúng tôi chia nhỏ những gì bạn cần biết về công nghệ mang tính bước ngoặt này.

Machine Learning cho các ứng dụng trong doanh nghiệp đang bùng nổ. Từ việc cải thiện trải nghiệm của khách hàng đến phát triển sản phẩm mới, hầu như chơi có lĩnh vực kinh doanh hiện đại nào không thể không cần đến ML.

ML là một con đường để tạo ra trí tuệ nhân tạo, mà đến lượt nó là một trong những động lực chính của việc sử dụng ML trong doanh nghiệp. Có một số tranh luận về bản tính chính xác của mối quan hệ giữa AI và ML. Một số người coi ML là một tập con của AI, trong khi những người khác xem AI về cơ bản là một tập con của ML. Khái quát, AI nhằm mục tiêu tái tạo một số góc cạnh của nhận thức hoặc ra quyết định của con người, trong khi ML có thể được sử dụng để tăng cường hoặc tự động hóa hầu như mọi tác vụ, không chỉ những tác vụ thúc đẩy đến nhận thức của con người. Dù bạn xem chúng như thế nào, hai khái niệm được kết liên chặt chẽ và chúng đang đóng góp vào sự phổ thông của nhau.

Việc thực hành ML bao gồm lấy dữ liệu, kiếm tìm các hình mẫu và phát triển một số loại dự đoán về kết quả trong tương lai. Bằng cách cung cấp cho mô hình thuật toán nhiều dữ liệu hơn theo thời gian, các nhà khoa học dữ liệu có thể làm nhan sắc nét các dự đoán của mô hình ML. Từ định nghĩa căn bản này, một số loại ML khác nhau đã được phát triển:

• Supervised machine learning (Học có giám sát). Hình thức phổ quát nhất của ML, học có giám sát bao gồm cung cấp một thuật toán số lượng lớn dữ liệu huấn luyện được gắn nhãn và yêu cầu nó đưa ra dự đoán về dữ liệu chưa từng thấy dựa trên các mối tương quan mà nó học được từ dữ liệu được dán nhãn.
• Unsupervised learning (Học không giám sát). Học tập không giám sát thường được sử dụng trong các ứng dụng tiên tiến hơn của trí óc nhân tạo. Nó liên quan đến việc cung cấp dữ liệu huấn luyện không được gắn nhãn cho một thuật toán và đề xuất nó tự mình lấy bất kỳ liên kết nào có thể. Học tập không giám sát là phổ quát trong các ứng dụng phân cụm (hành động phát hiện ra các nhóm trong dữ liệu) và kết liên (dự đoán các luật lệ thể hiện dữ liệu).
• Semisupervised learning (Học có giám sát một phần). Trong học tập bán giám sát, các thuật toán tập huấn trên các tập dữ liệu nhỏ được dán nhãn và sau đó, như trong học tập không giám sát, ứng dụng các bài học của họ vào dữ liệu không được gắn nhãn. Cách tiếp cận này thường được sử dụng khi thiếu dữ liệu chất lượng.
• Reinforcement learning (Học tăng cường). Các thuật toán học tăng cường nhận được một bộ hướng dẫn và chỉ dẫn và sau đó tự đưa ra quyết định về cách xử lý một nhiệm vụ ưng chuẩn quá trình thử và sai. Các quyết định được khen thưởng hoặc trừng phạt như một công cụ chỉ dẫn AI đến biện pháp tối ưu cho vấn đề.

Từ bốn loại ML chính này, các đơn vị đã phát triển một loạt các kỹ thuật và ứng dụng ấn tượng. Tất cả mọi thứ từ dự báo bán hàng tương đối đơn giản đến hầu hết các phương tiện AI tiền tiến nhất hiện giờ đều chạy trên các mô hình ML. Hướng dẫn này để ML trong tổ chức khám phá nhiều trường hợp sử dụng cho ML, những thách thức đối với việc ứng dụng, cách triển khai các công nghệ ML và nhiều hơn nữa.

>>> Xem thêm: r450 dell



Các trường hợp sử dụng và lợi ích đối với doanh nghiệp

ML vận dụng cho các doanh nghiệp đang tăng tốc, và không chỉ ở vòng ngoài. Ngày càng nhiều công ty đang đặt các áp dụng ML vào trọng tâm của các mô hình kinh doanh của họ. Công nghệ này đã cho phép các tổ chức thực hành các nhiệm vụ ở quy mô trước đây chẳng thể thực hiện được, không chỉ tạo ra hiệu quả cho các đơn vị mà còn cả các cơ hội kinh doanh mới, như nhà văn công nghệ Mary Pratt giảng giải trong “10 cách sử dụng phổ quát cho ML trong kinh doanh”. Việc sử dụng ngày một tăng của ML trong các quy trình kinh doanh quan trọng được phản chiếu trong phạm vi các trường hợp sử dụng mà nó đóng vai trò chẳng thể thiếu. Sau đây là các ví dụ:

• Hệ thống gợi ý/đề xuất. Các doanh nghiệp trực tuyến, đối mặt với người tiêu dùng nổi trội nhất bây chừ sử dụng các công cụ đề nghị để có được sản phẩm phù hợp trước khách hàng của họ vào đúng thời khắc. Gã khổng lồ bán lẻ trực tuyến Amazon đã tiên phong trong công nghệ này vào đầu thập kỷ trước và từ đó nó đã trở nên công nghệ tiêu chuẩn cho các trang web mua sắm trực tuyến. Các phương tiện này phê chuẩn lịch sử chuẩn y web của khách hàng theo thời gian và phù hợp với các ưu tiên được diễn tả bởi lịch sử đó với các sản phẩm khác mà khách hàng có thể chưa biết.
• Phát hiện ăn gian. Khi nhiều giao tế tài chính chuyển sang trực tuyến, cơ hội ăn gian chưa bao giờ lớn hơn. Điều đó làm cho nhu cầu phát hiện ăn lận là tối quan trọng. Các tổ chức thẻ tín dụng, nhà băng và nhà bán sỉ đang ngày một sử dụng các áp dụng ML để loại trừ các trường hợp lường đảo. Ở mức độ rất căn bản, các áp dụng này hoạt động bằng cách tìm hiểu các đặc điểm của giao thiệp hợp pháp và sau đó quét các giao thiệp đến để tìm các đặc điểm lệch lạc. Phương tiện này sau đó gắn cờ các giao thiệp này.
• phân tách khách hàng. Hầu hết các công ty hiện tại thu thập các cửa hàng dữ liệu lớn về khách hàng của họ. Cái gọi là dữ liệu lớn này bao gồm mọi thứ, từ lịch sử ưng chuẩn web đến hoạt động truyền thông xã hội. Nó quá xa vời và đa dạng đối với con người để tự cảm nhận. Đó là nơi ML xuất hiện. Các thuật toán có thể kiểm soát các hồ dữ liệu nơi công ty lưu trữ dữ liệu thô và phát triển hiểu biết về khách hàng. ML thậm chí có thể phát triển các chiến lược tiếp thị được cá nhân hóa nhắm vào khách hàng cá nhân và thông tin các chiến lược để cải thiện trải nghiệm của khách hàng .
• Kinh doanh tài chính. Phố Wall là một trong những người ứng dụng công nghệ ML sớm nhất và lý do rất rõ ràng: Trong một thế giới cổ phần cao, nơi hàng tỷ đô la đang hoạt động, bất kỳ cạnh nào cũng có giá trị. Các thuật toán ML có thể kiểm tra các tập dữ liệu lịch sử, tìm các mẫu trong hiệu suất cổ phiếu và đưa ra dự đoán về cách các cổ phiếu cố định có khả năng thực hiện trong ngày mai.
• Trợ lý ảo. Đến hiện giờ, hầu hết mọi người đều quen thuộc với trợ lý ảo từ các công ty công nghệ như Apple và Google. Những gì họ có thể không biết là mức độ mà ML tăng sức mạnh cho các bot này. ML đi vào một số cách khác nhau, bao gồm học sâu , một kỹ thuật ML dựa trên các mạng lưới tâm thần . Học sâu đóng vai trò quan trọng trong việc phát triển xử lý ngôn ngữ tự nhiên, đó là cách bot có thể liên quan với người dùng và tìm hiểu sở thích của người dùng.
• Xe tự lái. Đây là nơi mà ML bước vào vương quốc của AI với mục tiêu tiến tới ngang tầm với trí sáng ý của con người. Một phương tiện tự lái sử dụng màng lưới tâm thần để học cách giảng giải các vật thể được phát hiện bởi camera và các cảm biến khác của chúng, và để xác định hành động nào cần thực hành để vận chuyển phương tiện xuống đường. Theo cách này, các thuật toán ML có thể sử dụng dữ liệu để tiến gần đến việc nhân rộng nhận thức và ra quyết định giống như con người.

Đây chỉ là một số ví dụ, nhưng có nhiều hơn nữa. Bất kỳ quy trình kinh doanh nào sinh sản hoặc sử dụng một lượng lớn dữ liệu – đặc biệt là dữ liệu có cấu trúc, được gắn nhãn – đã sẵn sàng để tự động hóa sử dụng ML. Các công ty trên tất cả các ngành đã học được điều này và đang nỗ lực để thực hành các phương pháp ML trong suốt quy trình của họ.

>>> Xem thêm: dell r550