Машинное обучение улучшает сервисы

Илон Маск говорит, что в будущем роботы выйдут из-под контроля и начнут войну с человечеством. И пока футурологи спорят, возможно ли это, так называемые системы машинного обучения, позволяющие компьютеру мыслить и анализировать данные почти как человек, только в миллионы раз быстрее, уже успешно работают в сервисах, которыми мы пользуемся каждый день.

Сергей Чернобровкин, генеральный директор компании Trainmydata (организация ИТ-конкурсов или хакатонов, в том числе в сфере технологий роботизации) рассказывает о пяти самых выдающихся, на его взгляд, кейсах успешного внедрения машинного обучения в известных сервисах.

Вряд ли большинство пользователей популярного сервиса «Яндекс.Такси», вызывая себе к подъезду машину с шашечками на крыше, знают, что обозначает это слово. Между тем так называется специальный алгоритм машинного обучения, который является одним из ключевых элементов успешной работы известного транспортного сервиса. Проблема заключалась в том, чтобы заранее точно рассчитать стоимость поездки еще при заказе машины. Согласитесь, неприятно, если вас обещают довезти до пункта назначения за одну цену, а по факту вдруг оказывается, что нужно платить больше. Сейчас, чтобы не допустить такой ситуации в «Яндекс.Такси» алгоритм машинного обучения быстро анализирует возможные оптимальные варианты движения из пункта А в пункт Б. При этом она способна правильно просчитывать все маневры выезжающего к клиенту автомобиля. Разработчики в данном случае придумали более 70 метрик, описывающих стоимость конкретных маневров, в результате чего, почти моментально после того, как заказчик вызывает такси, на экране появляется максимально приближенная к реальности продолжительность пути и его цена.

Банковская сфера сейчас особенно охотно внедряет технологии машинного обучения, которые позволяют кардинально улучшить многие сервисы и бизнес-процессы. Например, Сбербанк недавно на основе технологий нейросети создал сервис оценки коммерческой недвижимости, которая часто используется как залог в сделке. Машинное мышление здесь оперативно анализирует целый спектр различных метрик, нацеленных на то, чтобы максимально полноценно оценить коммерческий потенциал того или иного объекта. Это и характеристики здания, и ценовое зонирование в городе, пешеходный трафик и близость объекта к местам скопления потенциальных клиентов (торговым центрам, супермаркетам и пр.). Ранее подобную рода аналитику специалистам по недвижимости приходилось делать «вручную», сейчас же наиболее выгодные объекты недвижимости классифицируются роботом.

«Ой, знакомые лица!» — теперь так может воскликнуть каждая камера из огромной сети видеонаблюдения, которая была создана российской компанией NTechLab и заработала в столице осенью прошлого года. В данную систему входят висящие в разных местах города более, чем 160 тыс. камер, которые оснащены роботизированной системой распознавания лиц. Машина быстро считывает визуальную информацию о попавшем в её поле зрения человеке, «понимает» его пол и возраст, и соотносит эти данные с различными базами данных, например, о розыске опасных преступников. По заявлениям полиции, благодаря новой системе видеонаблюдения уже удалось задержать десятки опасных рецидивистов, которых сумела быстро распознать камера-робот.

Всем известно, что уже проходят времена разбойников с ножом и пистолетом, гораздо опаснее становятся виртуальные преступники. В конце 2016 года MasterCard запустил новую технологию — сервис оценки и обнаружения мошенничества, названный Decision Intelligence. Как заявляют в компании, данное нововведение стало первым шагом компании в использовании искусственного интеллекта. Компания говорит, что система основана на их собственных патентованных алгоритмах: «умный» робот по малейшим признакам замечает, если что-то идет не так с транзакциями и платежами. После чего она моментально поднимает тревогу. Таким образом Decision Intelligence способна прогнозировать и предотвращать возможное финансовое преступление.

Подобрать себе нужную работу — задача сложная. Один из ведущих онлайн-сервисов в этой области HeadHunter решил использовать технологии машинного обучения для создания «умных» подсказок по существующему предложению рынка труда. Роботизированная система следит за тем, каким списком вакансий чаще всего интересуется посетитель сайта. Далее, применяя особые модели фильтрации, она сама рекомендует соискателю те рабочие места, которые лучше всего подходят для его запроса. В результате клиент может получать, например, к себе на электронную почту самые актуальные поступающие на сайт предложения. HeadHunter заявляет, что его система умного поиска позволила многократно повысить успех получения наиболее подходящих предложений на рынке труда.