Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: Научного журнала «Студенческий» № 17(61)

Рубрика журнала: Информационные технологии

Скачать книгу(-и): скачать журнал часть 1, скачать журнал часть 2, скачать журнал часть 3

Библиографическое описание:
Бежин Н.В. МАШИННОЕ ОБУЧЕНИЕ В СФЕРЕ БИЗНЕСА // Студенческий: электрон. научн. журн. 2019. № 17(61). URL: https://sibac.info/journal/student/61/139431 (дата обращения: 28.03.2024).

МАШИННОЕ ОБУЧЕНИЕ В СФЕРЕ БИЗНЕСА

Бежин Никита Викторович

студент, Белгородский государственный технологический университет им. В.Г. Шухова,

РФ, г. Белгород

Мы живем в удивительное время – в эпоху, когда радикальные изменения технологий происходят на наших глазах, и то, что еще вчера казалось фантастикой, сегодня уже является реальным проектом, над которым работают инновационные компании, а завтра становится естественным, распространенным и обыденным явлением, без которого мы уже не представляем себе нашу жизнь. Машинное обучение окружает вас повсюду, хотя, может быть, вы об этом и не подозреваете.

В статье раскрываются возможности применения машинного обучения в бизнесе, анализируется эффективность данной технологии и затрагивается тема безработицы на рынке труда в связи с применением умных алгоритмов, которые смогут заменить человеческий труд.

 

Ключевые слова: машинное обучение, автоматизация труда, нейронные сети, искусственный интеллект, бизнес.

 

Машинное обучение является подразделом науки об искусственном интеллекте (ИИ) – науки о создании интеллектуальных машин, способных на творческую деятельность, которая традиционно считалась присущей только человеку. В 1959 г. специалист по вычислительной технике из компании 1ВМ Артур Самуэль написал компьютерную программу для игры в шашки. Каждому положению на доске присваивался некий вес, базирующийся на вероятности выигрыша. Изначально вероятность определялась по формуле, в которой учитывались такие факторы, как количество шашек на каждой стороне и количество дамок. Подход работал, но Самуэль придумал, каким образом можно повысить его эффективность. Сыграв с программой тысячу партий, он использовал их результаты для уточнения позиционных весов. К середине 1970-х гг. программа достигла уровня хорошо подготовленного непрофессионального игрока. Самуэль написал компьютерную программу, которая могла по мере накопления опыта улучшать собственные результаты. Программа училась – так зародилось машинное обучение [1].

Технология глубинного обучения разработана по образу и подобию структуры человеческого мозга и использует искусственные нейронные сети для обработки данных – примерно так же функционируют нейроны нашего с вами мозга. Для этого необходимо обеспечивать нейронную сеть огромным количеством данных, чтобы «тренировать» систему четко и точно классифицировать данные. Существование современных суперкомпьютеров и расцвет Big Data (большие данные) позволили разработать технологии глубинного и машинного обучения [2].

Машинное обучение нуждается в предоставлении опыта - иными словами, ему необходимы данные. Чем больше в систему поступает данных, тем точнее компьютер взаимодействует с ними, а также с теми данными, что получает в дальнейшем. Чем выше точность взаимодействия, тем успешнее будет выполнение поставленной задачи, и выше степень прогностической точности.

Значение МО для бизнеса стало очень велико, умные алгоритмы заменяют человеческий труд во многих бизнес-процессах, тем самым сокращая издержки, уменьшая расход времени, сил, человеко-часов. Перечислим преимущества применения машинного обучения в бизнесе:

  • гораздо больший объем данных обрабатывается за меньшее время;
  • высокая скорость времени реагирования;
  • процессы автоматизируются и не требуют постоянного вмешательства со стороны человека. Более того, чем дольше машина работает над конкретной задачей, тем успешнее становятся ее решения и тем выше конверсия;
  • машина учитывает невероятное множество факторов, на основе которых принимает решение;
  • технологии машинного обучения – это гибкий инструмент, который подойдет для решения проблем конкретного бизнеса, при этом модель создается индивидуально для каждого случая;
  • использование машинного обучения сокращает расходы на персонал, на привлечение клиентов [4].

Рассмотрим более подробно в каких бизнес-процессах уже применяют данную технологию и какой это дает результат.

1. Маркетинг. С развитием машинного обучения маркетинг вышел на новый уровень. Маркетологи применяют МО для нахождения различных корреляций в данных о клиентах, составления портрета покупателя, прогнозирования дальнейших действий и т.д.

Сегментация клиентов для создания персонализированных предложений. Машинное обучение позволяет собирать и анализировать данные одновременно из нескольких источников: поведение на сайте, отзывы и обсуждения в соцсетях, покупки и т. д. Благодаря этим знаниям, вы можете распределить клиентов по группам и разработать для каждой группы индивидуальное предложение [5].

Взаимодействие с клиентом. Чат-бот – это виртуальный помощник-собеседник. Он работает в мессенджерах и соцсетях. Чат-боты принимают заказы, отвечают на вопросы и просто разговаривают с клиентами. Если ситуация нестандартная, бот позовет на помощь оператора. Чат-ботов используют тысячи компаний – от «Сбербанка» и «Сапсана» до локальных интернет-магазинов.

Прогнозирование оттока клиентов. Отток клиентов есть в любом бизнесе, как бы вы не растили лояльных покупателей. В данной ситуации машинное обучение поможет кто из существующих клиентов с высокой долей вероятности перестанет покупать ваш продукт. Довольно часто банки внедряют эту технологию для удержания старых клиентов. Используя данные лога транзакций, анкет в социальных сетях, данных по откликам клиента на маркетинговые предложения банка возможно провести.

2. Логистика является быстрорастущей и важной отраслью мировой экономики. На данный момент она занимает 5% мирового ВВП, что в денежном эквиваленте составляет более $4 трлн. На протяжении последних пяти лет индустрия растет на 7-10 % ежегодно. В 2017 году транспортные компании заработали около $4,161 трлн. В то же время, увеличивается и количество данных, которые накапливаются в процессе логистической деятельности. В 2017 году их объем, генерируемый в сети, составлял 16.2 зеттабайта (16 трлн Гбайт).

По оценкам специалистов и ученых, количество данных будет удваиваться каждые два года, и уже к 2020 году составит около 44 зеттабайт (44 трлн Гбайт). Цель МО – делать прогнозы, основанные на ранее определенных тенденциях и свойствах. Используя алгоритмы МО есть возможность анализировать большие базы данных без включения человека в этот процесс. С помощью такой технологии компьютер можно научить выявлять определенные закономерности, встречаясь с которыми, он будет выполнять определенные действия, которыми могут быть: расчет кратчайшего маршрута доставки, моментальное вычисление стоимости перевозки, оптимизация расписаний, флота (машины, вагоны), а также оптимизация эксплуатации оборудования [8].

3. Управление персоналом и подбор кадров. Хедж-фонд Bridgewater Associates создает систему, которая следит за каждым работником и помогает достичь ему лучших результатов. Алгоритм будет учитывать целый ряд показателей отдельного сотрудника: количество рабочих часов, успешных сделок, провалов, заработанных для клиентов денег, пиков активности, депрессии, изменение настроения и множество других факторов. На основе такого массива информации искусственный интеллект будет по-новому выдавать рабочие рекомендации сотруднику [2].

Технология машинного обучения позволил впервые за долгое время серьезно улучшить показатели трудозатрат на привлечение одного нового работника. Интеллектуальная автоматизация позволяет улучшить эффективность рекрутеров, взяв на себя функции предварительного отбора кандидатов через тотальное сканирование баз данных и отбора нужных анкет по заданным критериям. Менеджеры по найму смогли меньше внимания уделить работе с первичной воронкой, и больше – оптимизации коэффициентов конверсии и сокращению времени найма.

4. Оптимизация производства. Подразделение «Яндекса» YandexDataFactory внедряет на предприятиях технологии на основе машинного обучения. В металлургии эти технологии предсказывают, из каких слитков получится листовая сталь с дефектом. В нефтехимической отрасли – подбирают оптимальные параметры для установки газофракционирования, и т. д. При этом машина отслеживает качество продукции, расход сырья и десятки других факторов. С такими данными производство гораздо легче оптимизировать. А в промышленности даже оптимизация на 1-2 % приводит к большой экономии. Например, Магнитогорский металлургический комбинат в сотрудничестве с YandexDataFactory экономит до 275 млн рублей в год [7].

5. Юриспруденция. Сбербанк еще в прошлом году запустил робот-юрист, который самостоятельно пишет исковые заявления на должников. Вскоре он сможет заменить 3 тысячи сотрудников. Сбербанк намерен доверить роботу составление практически всех исков против физических лиц. Британский стартап DoNotPay заменил ботами адвокатов: проект помогает пользователям обжаловать уведомления о нарушении правил дорожного движения [4].

Машинное обучение может показывать хорошие результаты на любых задачах с большим объемом структурированных (или хотя бы структурируемых) данных. Например, в медицине машинное обучение определяет заболевания легких на рентгеновских снимках с вероятностью, близкой к 85 % [5], собирает и анализирует данные о состоянии здоровья человека и отправляет их врачу [3]. В сельском хозяйстве (система мониторинга за свиньями, прогнозирования влияния различных микробов на здоровье растений [1]), торговля на биржевых рынках, а также во многих других сферах нашей жизни.

ИИ-революция будет совсем на это непохожа. Когда роботы станут настолько же умными и способными, как люди, нам нечего будет делать, потому что машины окажутся и сильнее, и умнее. Даже если ИИ создаст новые профессии, людям это не поможет. Назовите любую работу - роботы смогут её выполнить. Они сами будут производить себя, программировать, чинить и управлять собой. Интеллектуальные роботы не просто будут выполнять нашу работу не хуже нас - они будут дешевле, быстрее и куда надёжнее людей. И они могут работать 168 часов в неделю, а не 40. Ни один капиталист в здравом уме не продолжит нанимать на работу людей. Люди дорого стоят, опаздывают, жалуются на любые перемены и тратят половину рабочего времени на сплетнях.

 

Список литературы:

  1. Бринк Хенрик, Ричардс Джозеф, Феверолф Марк. Машинное обучение. -СПб.: Питер, 2017. -336 с.
  2. Машинное обучение в двух словах: коротко о главном для топовых игроков рынка [Электронный ресурс] // Режим доступа: https://www.criteo.com/ru/insights/машинное-обучение-в-двух-словах-корот.
  3. Машинное обучение в маркетинге - чем оно поможет вашему бизнесу? [Электронный ресурс] // Режим доступа: https://digitalcontact.com/ru/Ыog/mashinnoe-obuchenie-v-marketinge-chem-ono-pomozhet-vashemu-biznesu/
  4. Применение машинного интеллекта в российском бизнесе [Электронный ресурс] // Режим доступа: https://spark.ru/startup/digital-contact/blog/38210/boti-povsyudu-kogda-lyudi-stanut-ne-nuzhni.
  5. Ясницкий Л.Н. Введение в искусственный интеллект. М.: Академия, 2005.
  6. Хайкин С. Нейронные сети. М.; СПб.; Киев: Вильямс, 2006.
  7. Куприянова А.А. Теоретические основы и методика судебно-почерковедческих исследований: Автореф. дис. канд. техн. наук. М., 1992.
  8. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая Линия - Телеком, 2007.

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом
CAPTCHA
Этот вопрос задается для того, чтобы выяснить, являетесь ли Вы человеком или представляете из себя автоматическую спам-рассылку.