Как пишет CIO, внедрение технологии машинного обучения в рутинные бизнес-процессы становится реальностью для многих инновационных компаний. Вместе с тем для большинства бизнес-структур вопросы использования конкурентных возможностей современной и востребованной технологии машинного обучения (МО), несмотря на все возрастающие требования рынка, до сих пор остаются вне пределов их понимания.

А рыночные реалии таковы, что ваши конкуренты, возможно, уже готовят почву для широкого использования в практике своей работы некоторых элементов технологии МО. По данным компании IDC (International Data Corporation), которая занимается исследованиями перспектив развития IT-технологий, глобальный рынок систем искусственного интеллекта (ИИ) к концу текущего года почти удвоится, достигнув $12,5 млрд., и продолжит расти такими же темпами до 2020 года, превысив отметку в $46 млрд. Если у вашего бизнеса небольшой бюджет, а в штате нет специалистов по обработке и анализу больших данных и построению систем с нуля, вы все-таки сможете использовать технологии МО в ваших бизнес-процессах, выбрав подходящие инструменты и сервисы, которые предлагает сейчас рынок IT-проектов.

Ниже приведены 9 IT-проектов, которые окажутся полезными любому бизнесу для начала экспериментов с практическим применением технологии машинного обучения.

1. Чат-бот службы клиентской поддержки

Если ваша компания составила перечень ответов на часто задаваемые клиентами вопросы, вы на основе Microsoft QnA Maker сможете создать чат-бот для последующего автоматического взаимодействия с потребителями и их поддержки. Чат-бот также может быть создан для ответов на вопросы новых сотрудников компании, например, о льготах и компенсациях или же для контактов с системой технической поддержки пользователей.

Внесите URL вашего перечня часто задаваемых вопросов и ответов (FAQ) или осуществите загрузку электронных таблиц и документов, содержащих вопросы и ответы, и QnA Maker создаст для вас необходимые пары «вопрос – ответ», которые вы сможете просматривать, проверять, обучать  и в конце концов, назвать это API. Если вам хочется иметь более занимательный интерфейс, а не только текстовые ответы, вы можете применить .NET SDK и Microsoft Bot Framework для создания бота, показывающего картинки и имеющего богатый контент.

Если вы предпочитаете бессерверную архитектуру, QnA Maker является одним из шаблонов Azure Bot Service, поэтому вы можете создавать ботов, которые будут работать с email, GroupMe, Facebook Messenger, Kik, Skype, Slack, Microsoft Teams, Telegram, text/SMS и Twilio.

В долгосрочной перспективе чат-боты, подобно Amazon Alexa и Microsoft Cortana, будут трансформированы в виртуальные агенты. Но вместо того, чтобы просто давать ответы на индивидуальные вопросы, виртуальные агенты смогут вести беседы, «ориентированные на достижение цели», помогающие клиентам в решении проблем, что необходимо вашему бизнесу для увеличения продаж или для диагностирования технических проблем. Корпорация Microsoft недавно добавила решение о клиентском обслуживании в Dynamics 365, позволяющее виртуальному агенту не только давать рекомендации потребителям, но и переадресовать их запросы операторам, описывая детали запросов и их решений, в случае если сами виртуальные операторы не в состоянии решить проблемы обратившихся за помощью клиентов. Службы клиентской поддержки компаний HP, Macy и Microsoft уже используют этих агентов для онлайн поддержки потребителей.

2. Автоматизация маркетинга и аналитики

Как правило, из всех структурных подразделений компаний отдел маркетинга первым начинает использовать новые технологии. Именно поэтому такие сервисы как Adobe Marketing Cloud, Dynamics 365 и Salesforce вышли на рынок с предложением разнообразных маркетинговых продуктов, основанных на предикторах машинного обучения. Данные продукты предоставляют возможность разработки рекомендаций для клиента по подбору сопутствующих товаров, показа персонализированных результатов поиска, классификации лидов, предупреждения холодных продаж, выявления альтернативных контактов потребителей. В любом случае, предиктивные модели для клиентской службы помогут вам в планировании и прогнозировании бизнеса.

Если ваша служба маркетинга еще не использует предлагаемые на рынке сервисы, то текущий момент является наиболее приемлемым для начала использования технологий машинного обучения в вашей бизнес-практике. Если же отдел маркетинга применяет современные технологии, выявите, что из аналитики работает лучше всего и как это можно будет использовать в других отделах. Компания AXA с целью оптимизации ценовой политики применяет модель глубокого машинного обучения TensorFlow, которая использует 70 переменных для прогноза вероятности наступления страховых событий стоимостью свыше $10000 у определенной категории клиентов. Более старые модели были не столь аккуратны в прогнозах, но с повышением степени точности прогнозов с 40% до 78%, возможно, бизнесу стоит рассмотреть возможность применения новых моделей для таргетирования потенциальных клиентов.

3. Обнаружение фрода

Выявление мошеннических схем и аномальных транзакций является классической проблемой обработки больших данных. Если ваш бизнес работает с массивом больших данных, технологии машинного обучения помогут вам выявить такие подозрительные виды деятельности как осуществление множества платежей, сумма которых приближена к установленным лимитам, необычное поведение новых мерчантов или законопослушных клиентов, данные которых украдены сетью скамеров. Fraud.net использует сервис Amazon Machine Learning для обучения моделей машинного обучения обнаружению мошеннических действий вместо того, чтобы попытаться создать единую модель для выявления каждого единичного случая фрода; разрабатываемые модели могут быть использованы мерчантами, ежедневно сталкивающимися с сотнями различных мошеннических схем, каждая из которых может иметь десятки вариаций.

Технология машинного обучения может быть использована не только для выявления фрода со стороны существующих клиентов. Страховые компании хотели бы использовать современные технологии для разоблачения новых клиентов, у которых до заключения страхового полиса уже поврежден автомобиль. Кредитное подразделение автоконцерна Ford использует ZestFinance – инструмент машинного обучения для прогноза вероятности погашения автокредитов определенной категорией заемщиков для последующего предоставления кредитов потенциальным заемщикам с низким уровнем кредитоспособности. В условиях спада продаж автомобилей в США (и существенного снижения продаж автомобилей Ford), технологии машинного обучения окажут существенную помощь бизнесу, осуществляя более быструю дифференциацию потребителей.

4. ERP планирования ресурсов

Автоматизация поставок не является чем-то новым и необычным для бизнеса, но технологии машинного обучения превращают систему автоматизированных закупок в достаточно обычный и распространенный процесс. Вместо сбора и анализа исторических данных о продажах, технология МО, которая в совокупности позволят вам управлять ресурсами посредством прогноза спроса, предоставляет вам возможность оперативно обрабатывать такой массив данных как: способы и методы онлайн поиска товаров, влияние погоды на потребительские привычки, складывающиеся внутренние и внешние тренды. Корпорация Amazon заявляет, что она может точно предсказать, какое количество рубашек определенного цвета и размера будет продаваться каждый день; компания Target считает, что рост ее продаж на 15-30% был обусловлен применением предиктивных моделей машинного обучения. Онлайн ритейлер Otto использует технологию МО для прогноза продаж на месяц вперед с 90% точностью, соответственно сокращая избыток запасов на 20% и число возвратов товаров на 2 млн. ед. в год. При этом компания Otto с помощью автоматизированной системы ежемесячно размещает заказ на поставки 200 тыс. наименований товаров различного цвета и стиля.

5. Планирование логистических маршрутов

Одной из проблем, с которой сталкивается коммивояжер, является классической для науки информатики – это проблема выбора кратчайшего пути между всеми точками продаж, если необходимо совершить поездку туда и обратно. Вне зависимости от целей, которые преследует продавец – поиск потенциальных покупателей, доставка товара клиенту или выбор наиболее привлекательной точки продаж — определение маршрута и планирование поездок оказывает большое влияние на ваш бизнес. Вы можете использовать сервис предиктивного трафика в  Bing и Google Maps API для создания карт изохрон. Эти карты покажут вам не только расстояние, но и время поездки для выявления количества клиентов, которые сможет обслужить, например, инженер компании в течение 15-ти минутной поездки. Эти карты также помогут определить наиболее приемлемое время для осуществления доставок товаров (используйте предпросмотр Bing Maps Truck Routing API для разработки маршрута для коммерческих и сервисных автомобилей, размеры которых больше среднего автомобиля).

Если вы добавите опцию трекинга активов и триггеры локаций, то сможете сформировать свое собственное логистическое решение. Или как вариант, вы сможете сделать процесс доставки более прибыльным посредством установления грузовых тарифов, точно отражающих вашу себестоимость, что позволит избежать убыточности бизнеса при занижении цены или потери клиентов при ее завышении. В этом случае ваш бизнес сохранит маржу прибыльности. R.R. Donnelley – крупнейшая компания в секторе бизнес-коммуникаций — использует R и Azure Machine Learning Studio при участии в тендерах на грузоперевозки для оптимизации предлагаемых тарифов, которые ранее были весьма осторожны и соответственно снижали конкурентоспособность компании. Данный сервис, комбинируя исторические данные с различными переменными, которые включают, например, погодные показатели, стоимость топлива и рыночные условия, позволяет разрабатывать более совершенную ценовую модель. Автоматизированная система, которая генерирует тарифы в режиме реального времени для заданного маршрута, является более точной, а компания R.R. Donnelley, используя новую модель ценообразования, увеличила на 4% количество выигранных тендеров и планирует в 4 раза нарастить свой бизнес по предоставлению брокерских грузоперевозочных услуг. Аналогичная предиктивная аналитика может быть полезна при участии в любых тендерах, если у вас есть достаточно данных для формирования хорошей модели.

6. IoT предиктивного технического обслуживания

Если вы ждете момента поломки оборудования для начала его технического обслуживания и ремонта, ваш бизнес простаивает и может потерять клиентов; если ваша система слишком часто проходит техническое обслуживание, продуктивность вашего бизнеса снижается. В свое время компания ThyssenKrup провела анализ учета времени проведения сервисного обслуживания 1,1 млн. установленных и обслуживаемых ею лифтов, и выявила, что межсервисный период может быть увеличен. Когда компания ThyssenKrup стала использовать сервис Azure IoT Suite для дистанционного мониторинга датчиков, прогноза возможных поломок и предупредительного обслуживания оборудования, она не только обеспечила рост степени удовлетворенности потребителей заблаговременным предупреждением поломок, но и снизила затраты как за счет увеличения количества единиц оборудования, обслуживаемых во время первого осмотра, так и за счет высокой точности прогноза потребности в запасных частях. Сделайте то же самое с вашей производственной линией, и вы сможете увеличить продуктивность вашего бизнеса. В соответствии с отчетом 2016 report on industrial IoT, предиктивное техническое обслуживание может сократить затраты на плановый ремонт на 12%, снизить расходы на техническое обслуживание на 30% и уменьшить поломки оборудования на 70%.

7. Машинное обучение и безопасность

В сложном мире компьютерной безопасности машинное обучение не является «серебряной пулей», но МО сможет помочь вам в обнаружении атак на ваш компьютер. Эти атаки в условиях отсутствия сервисов, основанных на технологии машинного обучения, могут потеряться в логах и алертах, генерируемых при нормальной работе системы. Несмотря на свое название — Windows Defender Advanced Threat Protection, не является антивирусной программой, а представляет собой сервис, созданный на основе технологии МО. Данный сервис проводит анализ сетевой деятельности ваших компьютеров, работающих на Windows 10 Enterprise, и уведомляет ваших специалистов в области безопасности о том, является ли обнаруженная атака вредоносным процессом, предметом социальной инженерии или результатом эксплуатации документа. Вам в любом случае необходимо проводить анализ логов и устранять последствия атак, но инструменты безопасности на основе МО смогут помочь вам в эффективном решении этих задач.

8. Объективный рекрутинг

На рынке труда наблюдается явно выраженный тренд диверсификации бизнеса, поэтому роль и значимость вашей рекрутинговой службы и современных методов и принципов найма работников существенно возрастает. Сервис Textio, разработанный на основе технологии искусственного интеллекта, позволяет службе рекрутинга выявлять корпоративный сленг, шаблоны, стереотипы и прочие обескураживающие фразы, которые неприемлемы в объявлениях о вакансиях.

Сервис SAP SuccessFactors предлагает аналогичный инструмент.

9. Технология распознавания изображения для обеспечения безопасности производства

В строительстве и в производстве широко используют разнообразное оборудование, которое может представлять опасность для жизни и здоровья ваших работников. Если в вашем бизнесе вы применяете камеры и датчики, вы сможете использовать технологию распознавания изображения и лица для выявления случаев небезопасного использования оборудования или использования данной техники лицом, не имеющим права доступа к нему. Компания Hitachi в партнерстве в DFKI — Немецким исследовательским центром по искусственному интеллекту, на основе технологии глубокого изучения разработала специальные носимые очки, которые отслеживают траекторию движения взгляда. На недавней конференции Build корпорация Microsoft представила аналогичное решение, созданное с использованием Azure Functions, Microsoft Cognitive Services и Azure Stack. Создание абсолютно безопасного рабочего места является трудной задачей, но вы можете начать, например, с использования таких приложений к смартфону как The Safety Compass, которое работает вместе с Risk Analyst. Данное приложение позволяет работнику фотографировать и описывать опасные производственные участки и предупреждать других работников, когда они приближаются к таковым местам.

Топ-9 IT-проектов на основе технологии машинного обучения
Оценка