Применение машинного обучения: 5 стратегий от топовых мировых компаний

Индустрия машинного обучения переживает лавинообразный рост. Только в 2016 году этот рынок достиг отметки в 1 млрд долларов, но по прогнозам аналитического агентства Research and Markets к 2025 его объём возрастёт почти до 40 млрд долларов. Какую выгоду из этого можно извлечь, постаралось разобраться издание Enterpreneur.

В чём же причина такого роста? В первую очередь это универсальность применения машинного обучения. Данная технология впервые начала разрабатываться ещё в 1959 года Артуром Самюэлем, но только совсем недавно поняли её ценность для своего бизнеса. И в последнее время ИТ-стратегия большинства компаний включает в себя возможность интеграции технологий машинного обучения, будь то гигантские корпорации из списка Fortune 500 или крохотные семейные магазинчики.

Конечно, первая трудность, встречающаяся на пути внедрения машинного обучения, это выбор области, где оно может быть применено. Для тех, кто не может найти подходящее применение этой современной технологии, можно посоветовать обратиться к опыту топовых мировых компаний, от ритейлеров до производителей компьютерной электроники, которые успешно реализовали её в своих бизнес процессах.

Ритейл-сеть Target: учись в  настоящем, чтобы инвестировать в будущее

В своём практике американский ритейлер Target лично убедился, что машинное обучение может быть использовано не только для предсказания поведения покупателей, но даже для определения срока беременности. С помощью современных технологий маркетинговый отдел компании разработал такую точную аналитическую методику, которая смогла с высокой точностью определять триместр беременности клиентов женского пола, на основании лишь списка их покупок. Однако после того как аналитика Target показала одному из покупателей, что его 16-летняя дочь беременна, ритейлер был вынужден использовать своё изобретение более осторожно.

Традиционно маркетинговые компании привязываются к временам года или каким-то праздникам: лопаты для уборки снега лучше всего продаются в январе, а солнцезащитные очки в июле. Но жизнь покупателя подвержена и более сложным алгоритмам. Например, не стоит пытаться продать кому-нибудь машину сразу после того, как он уже купил одну. Однако в то же самое время это наиболее подходящий момент для продажи автомобильной страховки. Применение машинного обучения может выявить большинство из этих алгоритмов, что позволяет компаниям предлагать свою продукцию именно в тот момент, когда клиент больше всего нуждается в ней.

Twitter: создание идеального превью

Когда кто-то постит фотографии в Twitter, он хочет чтобы окружающие увидели его. Но если большую частью превью фотографии занимает стена или потолок, то никто не будет его просматривать. И Twitter решил эту проблему с помощью нейронных сетей. Соцсесть создала масштабируемый и экономически эффективный алгоритм, который формирует превью так, чтобы оно смотрелось максимально привлекательно и интересно.

Этот метод можно использовать практически для любого продвижения в бизнесе. Необходимо просто позволить алгоритму создать наиболее привлекательные фотографии вашего продукта, которые будет можно использовать в дальнейших маркетинговых кампаниях.

Также этот подход можно применять для доставки релевантных изображений в ходе вербального взаимодействия с пользователем. Ключевой момент тут заключается в том, чтобы изображения выбирались и оптимизировались достаточно быстро для имитации естественного разговора. Любой пользователь, отправляющий тот или иной запрос, хочет получить результат в виде ответа или изображения немедленно. Методы машинного обучения позволяют выполнять эту задачу в считанные секунды.

Apple: оптимизация взаимодействия

Любой, у кого есть более одного Apple девайса, знает, насколько хорошо эти устройства взаимодействуют друг с другом. Сейчас же корпорация работает над тем, чтобы сделать это взаимодействие максимально «бесшовным». Совсем недавно Apple зарегистрировал патент, который в общих чертах описывает технологию, определяющую приоритет использования взаимодействующих устройств. Таким образом, в ближайшем будущем часы Apple Watch смогут предлагать пользовательский список композиций из iTunes, который максимально подходит для действий, выполняемых в другом приложении.

На фестивале рекламы Cannes Lions 2017 была реализована подобная система. Для того, чтобы помочь посетителям ориентироваться на мероприятии, было настроено взаимодействие между сервисами Foursquare, Google Maps и локальными базами данных. В результате туристы смогли воспользоваться точными голосовыми подсказками, которые синтезировались на основании сразу нескольких источников, что обеспечивало максимальную скорость взаимодействия.

Любая компания, которая работает с современными электронными девайсами, например, в области интернета вещей, может эффективно применять аналогичные методики. Набор подключённых устройств, объединённых некой самообучающейся базой данных, может существенно повысить качество и скорость предоставления информации, что, в свою очередь, улучшает пользовательский опыт. Девайсы, объединённые таким образом, выходят на уровень взаимодействия: поскольку они берут данные из одного источника, они могут подходить к решению той или иной задачи с разных сторон.

Alibaba: максимальное сопровождение пользователя

Более 500 млн человек покупают товары в сети китайских магазинов Alibaba, что превышает всё население США. При этом каждый из покупателей проходит определённый путь, начиная от поиска товара, заканчивая его оплатой. Как Alibaba удаётся отследить или оптимизировать каждое из таких маленьких «путешествий»? Конечно же с помощью машинного обучения.

Искусственный интеллект, используемый Alibaba, должен вызывать зависть у многих интернет-магазинов: виртуальные витрины китайского гиганта настраиваются индивидуально для каждого пользователя. В результате покупатель находит идеальные для себя товары. Пользовательский опыт становится ещё удобнее и приятнее благодаря разговорному боту по имени Ali Xiaomi, который довольно успешно справляется с большинством устных и письменных запросов. Практически каждый элемент бизнес-модели Alibaba настроен на прямое взаимодействие с клиентом. И этот подход помогает получать всё больше и больше данных для машинного обучения, которое ещё больше повышает эффективность обслуживания.

Spotify: персонализация медиа

После приобретения в 2017 году двух стартапов по реализации машинного обучения Spotify начал внедрение новых функций в свой популярный музыкальный сервис.

В декабре 2017 один из пользователей обнаружил кнопки «Нравиться» и «Не нравиться» в своём фиде недельных рекомендаций (Discover Weekly). Учитывая тот факт, что как раз за два месяца до этого Spotify приобрёл сервисы Mighty TV и Niland, специализирующиеся на машинном обучении, то такой нововведение можно рассматривать как первые шаги на пути к внедрению искусственного интеллекта в продукты компании.

Акцентирование внимания именно на Discover Weekly говорит о том, что премиум-пользователи крайне заинтересованы в точных персонализированных рекомендациях. И это факт, скорее всего, помогли выяснить методы машинного обучения. Даже сам Spotify не ожидал такого успеха от нововведений для Discover Weekly, который вообще не существовал на момент запуска сервиса в 2007 году.

Аналогичные сервисы, такие как New Music Mix от Apple, ещё могли конкурировать с Discover Weekly в 2015 году, но все их попытки сделать такие же качественные рекомендации, как и у Spotify не увенчались успехом.

Конечно, машинное обучение не дает возможности узнать всё о клиентах. Но такие компании как Apple, Shopify и Alibaba постоянно совершенствуются в этом направлении. Теперь, методы машинного обучения доступны практически для любого бизнеса, глупо упускать этот шанс на завоевание лидирующих позиций на рынке.