Neprístupný dokument, nutné prihlásenie
Input:

Machine learning mení podstatu, akou funguje podnikanie

10.10.2019, , Zdroj: Verlag Dashöfer

1.93 Machine learning mení podstatu, akou funguje podnikanie

Matúš Labuš

Strojové učenie (anglicky machine learning, skrátene ML) bolo dlhú dobu za hranicou mnohých firemných budgetov. S príchodom nových služieb sa však podarilo do určitej miery túto hranicu posunúť a mnohým podnikom sa otvorili možnosti za dostupné ceny. V tomto článku zhrnieme základné informácie o strojovom učení v cloude a ukážeme výhody, ktoré táto technológia ponúka.

Ako funguje strojové učenie v cloude?

Aplikácie strojového učenia boli dlho propagované ako nástroj, ktorého výhody dokáže využiť každý podnik. Opak je však pravdou. Strojové učenie má najlepšie využitie v špecifických typoch aplikácií. Detekcia krádeže, prediktívny marketing, monitorovanie strojov alebo manažment inventáru je len pár príkladov, pre ktoré sa určite oplatí investovať do strojového učenia.

Aké riešenia sú momentálne na trhu a akým spôsobom sa odlišujú?

Trh cloudu je momentálne obsadený hlavne veľkými hráčmi, ako sú Microsoft, Google, Amazon alebo Salesforce. Nie všetky modely strojového učenia sú však také isté. Väčšina firiem ponúka podporu pre tri typy základných predikcií:

  • - binárna predikcia,
  • - predikcia kategórie,
  • - predikcia hodnoty.

Poďme si prejsť príklady využitia každej z nich:

Binárne predikcie sa zaoberajú odpoveďami typu áno alebo nie. Možné využitie v tomto prípade by sme našli napríklad pri vyhodnocovaní dát v objednávkach, pri ktorých je treba zistiť, či ide o nejaký podvod alebo len chybu.

Pri kategorickej predikcii dokážeme informácie roztriediť do určitých kategórií. Toto je užitočné obzvlášť vtedy, keď máte veľa rôznych typov dát, ktoré treba rozdeliť, aby boli efektívnejšie spracované. Napríklad poisťovacie spoločnosti potrebujú kategorizovať poistné udalosti na základe informácií, ktoré sa naučili za obdobie ich pôsobenia na trhu. Príčina udalosti môže slúžiť v tomto prípade ako dobrý príklad. Máme tri hlavne kategórie:

1. spôsobené alkoholom,

2. pravdepodobne spôsobené počasím ,

3. pravdepodobne podvodné.

Systém strojového učenia sa postupne vytrénuje na základe dát o polohe, type škody, veku vodiča, type vozidla, atď. Kategorická predikcia preto funguje hlavne pri dátach, ktoré potrebujete usporiadať do zmysluplného celku, ale priame dáta, ktoré by spolu súviseli, neexistujú v databáze.

Kategorická predikcia teda znamená, že budeme schopní pozrieť sa na dátový set a na základe naučenej informácie tieto dáta umiestniť do určitej kategórie. Toto je užitočné, keď sú porovnávané veľmi rozdielne typy dát, ktoré sú analyzované a kategória musí byť použitá na to, aby sa dátam dalo lepšie rozumieť. Pre tento typ existuje najviac aplikácií, keďže ide väčšinou len o odpovede typu áno alebo nie. Kategorická predikcia je hlavne určená pre biznisové vertikály, teda hlavne pre priemyselnú výrobu a finančníctvo.

Predikcie hodnoty sú komplexnejšie, ale ponúkajú väčší nadhľad pri analyzovaní informácií. Stroj hľadá rôzne vzory v dátach a dokáže vám napríklad povedať, koľko jednotiek nejakého produktu sa predá budúci mesiac. Proces výroby môžete vďaka tomu jednoducho optimalizovať a celkovo je výroba efektívnejšia.

Tieto typy predikcií dosadzujeme hlavne do systémov, kde dokážu nájsť hodnotné informácie ako napríklad plánovacie a finančné systémy. Takisto môžu byť súčasťou manažmentovej palubnej dosky, takže tí, čo robia kritické rozhodnutia, majú väčšiu pravdepodobnosť nájsť hodnotné informácie.

Výhody a nevýhody strojového učenia

Začnime výhodami. Tieto systémy sú veľmi lacné na operáciu. Nemusíte zaplatiť viac ako pár eur za hodinu na to, aby ste rozbehli vašu vlastnú aplikáciu so strojovým učením. Mnohé z nich podporujú software developer kits

 
 Váš názor
Čo by ste zmenili na tomto portáli?
 Úspešne odoslané
Input: