Maskininlärning

Finansiella tjänster

Banker och andra finansföretag använder maskininlärningstekniker i två huvudsyften: att identifiera viktiga insikter i data och för att bekämpa och upptäcka bedrägerier. Insikterna kan identifiera möjliga investeringar eller hjälpa investerare att avgöra när det är dags att köpa och sälja. Datautvinning kan identifiera kunder med högriskprofiler och cyberövervakning kan upptäcka tecken på bedrägerier.

Myndigheter

Myndigheter och kommunala kontor som arbetar med allmänhetens säkerhet och samhällsservice har ett särskilt behov av maskininlärning eftersom de har många olika datakällor som kan användas för att utvinna insikter. Att analysera sensordata kan till exempel identifiera sätt för att öka effektiviteten och spara pengar. Maskininlärning kan också hjälpa till att upptäcka bedrägerier och minska identitetsstölder.

Hälso- och sjukvård

Maskininlärning är en snabbt växande trend inom hälso- och sjukvårdsindustrin tack vare bärbara enheter och sensorer som kan använda data för att utvärdera en patients hälsa i realtid. Tekniken kan också hjälpa medicinsk personal att analysera trender och varningstecken som kan leda till bättre diagnoser och behandling.

Detaljhandel

Webbsidor som rekommenderar varor du kanske gillar utifrån tidigare köp använder maskininlärning för att analysera din köphistorik.  Återförsäljare använder maskininlärning för att samla in data, analysera den och skapa en personanpassad shoppingupplevelse, köra marknadsföringskampanjer, optimera priser, genomföra varuplanering och få insikter om sina kunder.

Olja och gas

Hitta nya energikällor. Analysera mineraler i marken. Förutsäga sensorfel i förädlingen. Anpassa oljedistributionen för att göra den mer effektiv och kostnadseffektiv. Det finns oerhört många användningsområden för maskininlärning i den här industrin – och de blir hela tiden fler.

Transport

Att analysera data för att identifiera mönster och trender är avgörande för transportbranschen, som är beroende av att effektivisera transportrutter och förutsäga potentiella problem för att öka lönsamheten. Dataanalys- och modelleringsaspekterna av maskininlärning är viktiga verktyg för leveransföretag, kollektivtrafikföretag och andra organisationer i transportbranschen.

Övervakade inlärningsalgoritmer tränas på etikettförsedda exempel som indata där man känner till den önskade utdatan. Ett exempel är en utrustning som har datapunkter som antingen har etiketten ”F” (failed, misslyckades) eller ”R” (runs, körs). Inlärningsalgoritmen tar emot en uppsättning av indata tillsammans med motsvarande korrekt utdata och lär sig genom att jämföra sin faktiska utdata med den korrekta utdatan för att upptäcka fel. Sedan anpassar den modellen. Genom metoder som klassificering, regression, prediktion och gradientboosting kan övervakad inlärning använda mönster för att förutsäga vilka värden hittills omärkta datas etiketter ska ha. Övervakad inlärning används ofta i applikationer där historiska data kan förutsäga sannolika framtida händelser. Algoritmen kan till exempel förutsäga huruvida kreditkortstransaktioner sannolikt är bedrägliga eller vilken försäkringskund som sannolikt kommer att göra en skadeanmälan.

Oövervakad inlärning används mot data som inte har historiska etiketter. Systemet får inte reda på vad som är ”rätt svar”. Algoritmen måste själv identifiera vad det är som visas. Målet är att utforska data och hitta strukturer i datan. Oövervakad inlärning fungerar bra på transaktionsdata. Algoritmen kan till exempel identifiera vilka kundsegment som har liknande attribut och därmed kan behandlas på liknande sätt i marknadsföringskampanjer. Den kan också användas för att hitta de huvudsakliga egenskaperna som särskiljer kundsegment från varandra. Populära tekniker omfattar bland annat självorganiserande kartor, nearest-neighbor mapping, k-means-klustring och singulärvärdesuppdelning. Dessa algoritmer används också för att segmentera text efter ämne, rekommendera varor och identifiera avvikande värden.

Semiövervakad inlärning har samma användningsområden som övervakad inlärning. Men här används både data med och utan etiketter för inlärningen. Typiskt sett är det en liten mängd data med etiketter och en stor mängd data utan etiketter (eftersom omärkta data innebär lägre kostnader och är enklare att få tag på). Den här typen av inlärningsalgoritm kan användas med metoder som klassificering, regression och prediktion. Semiövervakad inlärning är ett bra val när det är för dyrt att enbart använda data med etiketter i träningsprocessen. Tidiga exempel på detta alternativ är att webbkameran hittar användarens ansikte.

Förstärkningsinlärning används ofta inom robotik, gaming och navigering. Dessa algoritmer används också i samband med generativa AI-tekniker som stora språkmodeller. Med förstärkningsinlärning använder algoritmen försök och misstag för att lära sig vilka åtgärder som leder till de största belöningarna. Den här typen av inlärning har tre huvudkomponenter: agenten (den lärande eller beslutsfattaren), miljön (allt som agenten interagerar med) och handlingar (vad agenten kan göra). Målet är att agenten ska välja handlingar som maximerar den förväntade belöningen över en definierad tidsperiod. Agenten når målet mycket snabbare genom att följa en bra princip. Målet i förstärkningsinlärning är alltså att lära sig den bästa principen.