Hướng dẫn chi tiết về Machine Learning trong tổ chức

Các tổ chức 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 áp dụng trong doanh nghiệp đang bùng nổ. Từ việc cải thiện trải nghiệm của khách hàng đến phát triển sản phẩm mới, hầu như không có lĩnh vực kinh doanh đương đại nào không thể không cần đến ML.

ML là một con đường để tạo ra trí não nhân tạo, mà đến lượt nó là một trong những động lực chính của việc sử dụng ML trong đơn vị. Có một số tranh biện về thực chất xác thực 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. Tổng thể, AI nhằm mục đích tái tạo một số khía 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 tương tác đến nhận thức của con người. Dù bạn xem chúng như thế nào, hai định nghĩa được kết liên chặt chẽ và chúng đang đóng góp vào sự phổ quát của nhau.

Việc thực hiện ML bao gồm lấy dữ liệu, tìm kiếm các hình mẫu và phát triển một số loại dự đoán về kết quả trong ngày mai. 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 sắc đẹp nét các dự đoán của mô hình ML. Từ khái niệm căn bản này, một số loại ML khác nhau đã được phát triển:

• Supervised machine learning (Học có giám sát). Hình thức phổ thông 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 tuệ nhân tạo. Nó liên quan đến việc cung cấp dữ liệu tập huấn 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 vận dụng phân cụm (hành động phát hiện ra các nhóm trong dữ liệu) và kết liên (dự đoán các lệ luật mô tả dữ liệu).
  
  
• Semisupervised learning (Học có giám sát một phần). Trong học tập bán giám sát, các thuật toán huấn luyện trên các tập dữ liệu nhỏ được dán nhãn và sau đó, như trong học tập không giám sát, áp 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 chỉ dẫn và chỉ dẫn và sau đó tự đưa ra quyết định về cách xử lý một nhiệm vụ chuẩn y quá trình thử và sai. Các quyết định được khen thưởng hoặc trừng phạt như một dụng cụ chỉ dẫn AI đến giải pháp tối ưu cho vấn đề.
  

Từ bốn loại ML chính này, các đơn vị đã phát triển một loạt các kỹ thuật và vận 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 thời đều chạy trên các mô hình ML. Chỉ 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 công ty

ML áp dụng cho các tổ chức đang tăng tốc, và không chỉ ở vòng ngoài. Ngày một nhiều công ty đang đặt các ứng dụng ML vào trung 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 hành được, không chỉ tạo ra hiệu quả cho các doanh nghiệp mà còn cả các thời cơ kinh doanh mới, như nhà văn công nghệ Mary Pratt giải thích trong “10 cách sử dụng phổ biến cho ML trong kinh doanh”. Việc sử dụng càng ngày càng tăng của ML trong các quy trình kinh doanh quan yếu được đề đạt trong phạm vi các trường hợp sử dụng mà nó đóng vai trò không 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 hiện nay sử dụng các công cụ yêu cầu để có được sản phẩm ăn nhập trước khách hàng của họ vào đúng thời điểm. Gã đồ sộ bán buôn trực tuyến Amazon đã tiền phong trong công nghệ này vào đầu thập kỷ trước và từ đó nó đã trở thành công nghệ tiêu chuẩn cho các trang web mua sắm trực tuyến. Các công cụ này phê duyệt lịch sử duyệt y web của khách hàng theo thời kì và phù hợp với các ưu tiên được miêu tả bởi lịch sử đó với các sản phẩm khác mà khách hàng có thể chưa biết.
  
  
• Phát hiện gian lận. Khi nhiều giao dịch tài chính chuyển sang trực tuyến, thời cơ ăn gian chưa bao giờ lớn hơn. Điều đó làm cho nhu cầu phát hiện ăn gian là tối quan yếu. Các công ty thẻ tín dụng, ngân hàng và nhà bán sỉ đang ngày một sử dụng các vận dụng ML để loại trừ các trường hợp lừa đảo. Ở chừng độ rất căn bản, các ứng dụng này hoạt động bằng cách tìm hiểu các đặc điểm của giao tế 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 đơn vị 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 chuẩn y 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 đơn vị 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 áp 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 đánh giá các tập dữ liệu lịch sử, tìm các mẫu trong hiệu suất cổ phiếu và đưa ra dự đoán về cách các cổ phiếu một mực có khả năng thực hiện trong mai sau.
  
  
• Trợ lý ảo. Đến hiện thời, hồ hết mọi người đều thân 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 thần kinh . Học sâu đóng vai trò quan yếu trong việc phát triển xử lý ngôn ngữ thiên 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 dạ của con người. Một dụng cụ tự lái sử dụng mạng lưới thần kinh để học cách giải thích 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 dụng cụ 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 thí dụ, nhưng có nhiều hơn nữa. Bất kỳ quy trình kinh doanh nào sản xuất 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 đơn vị 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