8 problèmes qui peuvent être facilement résolus par Machine Learning – Apprendre une langue étrangère

L'apprentissage automatique et l'intelligence artificielle ont pris de l'importance ces dernières années, Google, Microsoft Azure et Amazon proposant leurs plateformes Cloud Machine Learning. Mais étonnamment, nous avons expérimenté le machine learning sans le savoir. Les principaux cas d'utilisation sont le marquage d'images par Facebook et la détection de spam par les fournisseurs de messagerie. Désormais, Facebook balise automatiquement les images téléchargées à l'aide de la technique de reconnaissance faciale (image) et Gmail reconnaît le motif ou les mots sélectionnés pour filtrer les spams. Jetons un coup d’œil à certains des problèmes commerciaux importants résolus par l’apprentissage automatique.

Problèmes résolus par l'apprentissage automatique

1. Saisie manuelle des données

L'inexactitude et la duplication des données sont des problèmes métier majeurs pour une entreprise qui souhaite automatiser ses processus. Les algorithmes d'apprentissage machine (ML) et les algorithmes de modélisation prédictive peuvent considérablement améliorer la situation. Les programmes ML utilisent les données découvertes pour améliorer le processus à mesure que d’autres calculs sont effectués. Ainsi, les machines peuvent apprendre à effectuer des tâches fastidieuses de documentation et de saisie de données. En outre, les travailleurs du savoir peuvent désormais consacrer plus de temps à des tâches de résolution de problèmes de grande valeur. Arria, une entreprise basée sur l’IA a mis au point une technologie de traitement du langage naturel qui analyse les textes et détermine la relation entre les concepts pour rédiger des rapports.

2 Détecter le spam

La détection de spam est le premier problème résolu par ML. Il y a quatre ans, les fournisseurs de services de messagerie utilisaient des techniques préexistantes basées sur des règles pour supprimer les spams. Mais maintenant, les filtres anti-spams créent eux-mêmes de nouvelles règles en utilisant ML. Grâce aux "réseaux de neurones" contenus dans ses filtres anti-spam, Google affiche désormais un taux de spam de 0,1%. Des «réseaux de neurones» de type cerveau dans ses filtres anti-spam peuvent apprendre à reconnaître les courriers indésirables et les messages de phishing en analysant les règles sur une énorme collection d’ordinateurs. En plus de la détection du spam, les sites Web de médias sociaux utilisent ML pour identifier et filtrer les abus.

3 Recommandation de produit

L'apprentissage non supervisé permet un système de recommandation basé sur le produit. Étant donné l'historique des achats d'un client et un vaste inventaire de produits, les modèles ML peuvent identifier les produits auxquels ce client sera intéressé et susceptible d'acheter. L'algorithme identifie le motif caché parmi les articles et se concentre sur le regroupement de produits similaires en grappes. Un modèle de ce processus de décision permettrait à un programme de faire des recommandations à un client et de motiver les achats de produits. Les entreprises de commerce électronique telles que Amazon ont cette capacité. Un apprentissage non supervisé et des informations de localisation sont utilisés par Facebook pour recommander aux utilisateurs de se connecter avec d'autres utilisateurs.

Recommandation de produit Amazon à l'aide de Machine Learning

4 Diagnostic médical

L’apprentissage automatique dans le domaine médical améliorera la santé du patient à un coût minimal. Les cas d'utilisation de ML établissent des diagnostics presque parfaits, recommandent les meilleurs médicaments, prédisent les réadmissions et identifient les patients à haut risque. Ces prévisions sont basées sur l'ensemble de données des dossiers de patients anonymisés et des symptômes présentés par un patient. L'adoption du BC se produit à un rythme rapide malgré de nombreux obstacles, qui peuvent être surmontés par des praticiens et des consultants connaissant les obstacles juridiques, techniques et médicaux.

5 Segmentation de client et prévision de valeur à vie

La segmentation de la clientèle, la prévision du taux de désabonnement et la prévision de la durée de vie du client sont les principaux défis auxquels tout spécialiste du marketing est confronté. Les entreprises disposent d’une énorme quantité de données marketing pertinentes issues de diverses sources, telles que des campagnes de courrier électronique, des visiteurs de sites Web et des données sur les prospects. Grâce à l’exploration de données et à l’apprentissage automatique, il est possible d’obtenir une prévision précise des offres marketing individuelles et des incitations. En utilisant ML, les spécialistes du marketing avertis peuvent éliminer les conjectures inhérentes au marketing piloté par les données. Par exemple, étant donné le type de comportement d’un utilisateur au cours d’une période d’essai et les comportements antérieurs de tous les utilisateurs, il est possible de prédire les chances de conversion en version payante. Un modèle de ce problème de décision permettrait à un programme de déclencher des interventions de la part des clients afin de le persuader de se convertir plus tôt ou de mieux participer à l'essai.

6 Analyse financière

En raison du volume important de données, de la nature quantitative et des données historiques précises, l'apprentissage automatique peut être utilisé dans l'analyse financière. Les cas d'utilisation actuels du BC en finance incluent le trading algorithmique, la gestion de portefeuille, la détection de la fraude et la souscription de prêts. Selon Ernst et Young rapportent sur «L’avenir de la souscription» – L'apprentissage automatique permettra d'évaluer continuellement les données pour la détection et l'analyse des anomalies et des nuances afin d'améliorer la précision des modèles et des règles. Et les machines vont remplacer un grand non. des positions de souscription. Les applications futures du BC en finance incluent chatbots et interfaces de conversation pour le service client, analyse de la sécurité et des sentiments.

sept. Maintenance prédictive

L'industrie manufacturière peut utiliser l'intelligence artificielle (IA) et ML pour découvrir des modèles significatifs dans les données d'usine. Les pratiques de maintenance corrective et préventive sont coûteuses et inefficaces. La maintenance prédictive minimise le risque de pannes imprévues et réduit le nombre d'activités de maintenance préventive inutiles.

Maintenance corrective, préventive et prédictive

Pour la maintenance prédictive, il est possible de construire une architecture ML composée de données de périphérique historiques, d'un environnement d'analyse flexible, d'un outil de visualisation du flux de travail et d'une boucle de retour d'informations d'exploitation. La plateforme Azure ML fournit une exemple de moteur d'avion simulé des événements d'exécution à l'échec pour démontrer le processus de modélisation de maintenance prédictive. L'actif est supposé avoir un schéma de dégradation progressif. Cette tendance se reflète dans la mesure du capteur de l’actif. Afin de prévoir les défaillances futures, l’algorithme ML enregistre la relation entre la valeur du capteur et les modifications des valeurs du capteur par rapport aux défaillances historiques.

8 Reconnaissance d'image (vision par ordinateur)

La vision par ordinateur produit des informations numériques ou symboliques à partir d'images et de données de grande dimension. Il implique l'apprentissage automatique, l'exploration de données, la découverte de connaissances de bases de données et la reconnaissance de modèles. Les applications commerciales potentielles de la technologie de reconnaissance d’image se trouvent dans les secteurs de la santé, des automobiles – voitures sans conducteur, des campagnes de marketing, etc. Baidu a développé un prototype de DuLight pour les malvoyants qui incorpore une technologie de vision par ordinateur pour capturer l’interprétation et la raconter au moyen d’une oreillette. Campagnes marketing basées sur la reconnaissance d’image telles que Maquillage Génie de L’Oreal favorisent le partage social et l’engagement des utilisateurs.

Problème de reconnaissance d'image résolu par ML (Référence – https://goo.gl/4Bo23X)

La plupart des cas d'utilisation ci-dessus sont basés sur un problème spécifique à un secteur qui peut être difficile à reproduire pour votre secteur. Cette personnalisation nécessite des scientifiques de données hautement qualifiés ou des consultants ML. Les plateformes d’apprentissage automatique vont sans aucun doute accélérer la partie analyse, aidant les entreprises à détecter les risques et à offrir un meilleur service. Mais la qualité des données est la principale pierre d'achoppement pour de nombreuses entreprises. Ainsi, outre la connaissance des algorithmes ML, les entreprises doivent structurer les données avant d'utiliser des modèles de données ML.

Si vous êtes prêt à en apprendre davantage sur l’application de Machine Learning à votre entreprise, nous serions ravis de vous parler. Vous pouvez en savoir plus à Big Data et Analytics page.