Machine Learning

Usługi finansowe

Banki i inne instytucje finansowe wykorzystują technologie machine learning w dwóch głównych obszarach: do identyfikowania ważnych informacji zawartych w danych o klientach oraz do zapobiegania oszustwom i wyłudzeniom. Informacje te mogą być pomocne w identyfikowaniu szans biznesowych lub wskazywać inwestorom optymalny moment zawarcia transakcji. Eksploracja danych może również służyć do identyfikowania klientów obarczonych wysokim ryzykiem lub stanowić element cyber nadzoru, który pozwala wyodrębnić sygnały ostrzegawcze przed potencjalnym oszustwem.

Administracja publiczna

Instytucje publiczne, począwszy od organów bezpieczeństwa po przedsiębiorstwa komunalne, wykazują szczególne zapotrzebowanie na uczenie maszynowe, ponieważ dysponują danymi z wielu różnych źródeł, w których można znaleźć wiele przydatnych informacji. Przykładowo analiza danych z czujników pozwala zidentyfikować metody poprawy efektywności i obniżenia kosztów. Uczenie maszynowe może również pomóc w wykrywaniu nadużyć i ograniczyć przypadki kradzieży tożsamości.

Ochrona zdrowia

Uczenie maszynowe szybko zdobywa popularność w sektorze ochrony zdrowia dzięki rozwojowi telemedycyny i powszechnemu dostępowi do wyposażonych w sensory urządzeń ubieralnych, które mogą gromadzić dane umożliwiające diagnozę stanu zdrowia pacjenta w czasie rzeczywistym. Technologia ta pomaga specjalistom także w identyfikowaniu trendów i skuteczności terapii w ramach większych populacji, co może przyczynić się do poprawy diagnostyki i skuteczności leczenia.

Sprzedaż i marketing

Uczenie maszynowe jest wykorzystywane przez sklepy internetowe do analizowania historii zakupów klienta. Na podstawie tych danych na stronie internetowej można rekomendować i promować towary i usługi, które mogłyby zainteresować konkretną osobę. Taka możliwość gromadzenia danych oraz ich analizy i wykorzystywania do personalizacji procesu zakupów (lub prowadzenia kampanii marketingowej) jest przyszłością handlu detalicznego.

Przemysł wydobywczy

Poszukiwanie nowych źródeł energii. Analiza składu mineralnego gruntu. Przewidywanie awarii czujników w rafinerii. Usprawnienie dystrybucji ropy naftowej pod kątem poprawy efektywności i racjonalizacji kosztów. Spektrum możliwości wykorzystania uczenia maszynowego w tej branży jest ogromne i wciąż się powiększa.

Transport

Analizowanie danych pod kątem identyfikacji wzorców i trendów ma istotne zastosowanie w branży transportowej, w której wytyczanie efektywniejszych tras i przewidywanie potencjalnych problemów w całym łańcuchu dostaw przekłada się na wzrost rentowności. Analiza danych i aspekty związane z modelowaniem w uczeniu maszynowym są ważnymi narzędziami dla firm kurierskich, sektora transportu publicznego i innych przedsiębiorstw transportowych.

Uczenie nadzorowane (supervised learning) - algorytmy uczą się, korzystając z opatrzonych etykietami przykładów, takich jak dane wejściowe przy znanych pożądanych danych wyjściowych. Na przykład urządzenie może mieć punkty danych oznaczone „F” (niepowodzenie, ang. failed) lub „R” (działa, ang. runs). Algorytm uczący się otrzymuje zestaw danych wejściowych razem z odpowiadającymi im poprawnymi danymi wyjściowymi i uczy się, porównując prognozowane dane wyjściowe z poprawnymi danymi wyjściowymi w celu znalezienia błędów. Następnie odpowiednio dostosowuje model. Dzięki metodom klasyfikacyjnym, regresyjnym, predykcyjnym czy opartym na gradient boostingu, uczenie nadzorowane wykorzystuje rozpoznawanie wzorców do przewidywania etykiet dla nowych danych. Uczenie nadzorowane jest szeroko wykorzystywane w zastosowaniach, w których, na podstawie danych historycznych, przewiduje się prawdopodobne przyszłe zdarzenia. Przykładowo, można określić, które z transakcji na rachunku karty kredytowej mogą być podejrzane lub który z klientów firmy ubezpieczeniowej ma duże prawdopodobieństwo złożenia wniosku o wypłatę świadczenia.

Uczenie ze wzmocnieniem (reinforcement learning) wykorzystuje się najczęściej w robotyce, grach i nawigacji. Algorytmy uczące się ze wzmocnieniem odkrywają metodą prób i błędów, które działania przynoszą najlepsze wyniki. Na ten rodzaj uczenia się składają się trzy główne elementy: agent (uczący się lub podejmujący decyzje), środowisko (wszystko, z czym agent wchodzi w interakcje) i działania (to, co agent może zrobić). Celem jest wybranie przez agenta działań, które maksymalizują prawdopodobieństwo osiągnięcia pożądanego rezultatu w określonym czasie. Agent osiągnie cel znacznie szybciej, jeśli będzie kierował się dobrą strategią. Dlatego celem uczenia ze wzmocnieniem jest jej optymalizacja.

Uczenie nienadzorowane (unsupervised learning) jest wykorzystywane w odniesieniu do danych bez etykiet historycznych. System nie otrzymuje „prawidłowej odpowiedzi”. Algorytm musi sam rozszyfrować, co zostało mu dostarczone. Celem jego działania jest przeszukanie danych i znalezienie istniejącej struktury. Uczenie nienadzorowane sprawdza się dobrze przy danych transakcyjnych. Może służyć na przykład do wytypowania segmentów klientów z podobnymi atrybutami, którzy następnie będą podlegali tym samym procedurom podczas kampanii marketingowych. Innym zastosowaniem może być znalezienie głównych atrybutów, które odróżniają jedne segmenty klientów od innych. Wśród powszechnie stosowanych technik uczenia nienadzorowanego można wymienić: sieci Kohonena, mapowanie metodą najbliższych sąsiadów, klasteryzację metodą k-średnich czy dekompozycja głównych składowych (SVD, ang. Singular value decomposition). Algorytmy te są również wykorzystywane do kategoryzowania danych tekstowych, przygotowywania rekomendacji i wyszukiwania obserwacji odstających.

Uczenie częściowo nadzorowane (semisupervised learning) jest wykorzystywane do tych samych zastosowań, co uczenie nadzorowane. W procesie uczenia używa się jednak zarówno danych oznaczonych atrybutem, jak i danych nieoznaczonych - zazwyczaj z niewielkiej ilości oznaczonych i ogromnej ilości nieoznaczonych (ze względu na to, że dane nieoznaczone są tańsze, a zdobycie ich wymaga mniejszego wysiłku). Ten rodzaj uczenia może być wykorzystywany z metodami klasyfikacyjnymi, regresyjnymi czy predykcyjnymi. Uczenie częściowo nadzorowane jest przydatne, kiedy koszt związany z oznaczaniem danych jest za wysoki, aby umożliwić przeprowadzenie procesu uczenia opartego wyłącznie na danych oznaczonych. Wczesne przykłady zastosowań tego rodzaju uczenia obejmują rozpoznawanie twarzy przez kamerę internetową.