{"id":10861,"title":"\u0417\u0430\u043f\u0443\u0441\u0442\u0438\u0442\u0435 \u043f\u0438\u043b\u043e\u0442 \u0432 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u0435 PwC Venture Hub","url":"\/redirect?component=advertising&id=10861&url=https:\/\/vc.ru\/promo\/349044-korotko-zapustit-pilot-i-poluchit-novyh-klientov-s-pwc&placeBit=1&hash=4330fcc6373e035951e6ff64a3ae572ba5f30463fe8776204270bbc0bd091c81","isPaidAndBannersEnabled":false}
Ferdinand Morar

ИИ Амазон

Искусственный интеллект (AI) – раздел информатики, который занимается решением когнитивных задач, обычно предназначаемых для человеческого интеллекта, таких как обучение, решение проблем и распознавание шаблонов. Искусственный интеллект (AI) часто ассоциируется с робототехникой и научной фантастикой, но на самом деле он давно вышел за пределы фантастических фильмов. Сегодня искусственный интеллект – это часть продвинутых компьютерных технологий. Одним из выдающихся ученых в этой области является профессор Педро Домингос. Он выделил пять групп ученых, которые вносят вклад в развитие машинного обучения: символисты, сфера которых берет начало в логике и философии; коннекционисты, которые берут знания из нейробиологии; эволюционисты, развивающие методы эволюционной биологии; байесовцы, применяющие математическую статистику и теорию вероятности; и аналогисты, исследования которых базируются на психологии. За последние годы успехи в области статистических вычислений привели к дальнейшему развитию искусственного интеллекта в ряде областей, которые в совокупности обозначаются как «машинное обучение». Аналогичным образом прогресс в области нейронных сетей привел к развитию дополнительной области под названием «глубокое обучение». Машинное обучение и глубокое обучение – это две области компьютерных технологий, начало которым положило исследование искусственного интеллекта.

В широком смысле эти подходы разделяются на «направляемое» и на «произвольное» обучение. В первом случае используются данные с заданным результатом, а во втором – без него.

Каждый день компании производят данные для систем машинного и глубокого обучения, и с увеличением объемов данных AI становится «умнее» и развивается все быстрее и быстрее. Данные извлекаются из хранилищ, таких как Amazon Redshift, собираются с помощью платформ для краудсорсинга, таких как Mechanical Turk, или загружаются динамически с помощью Kinesis Streams. Кроме того, с развитием Интернета вещей и сенсорных технологий данные, которые раньше практически не использовались, теперь стали доступны для анализа, и их объем возрастает в геометрической прогрессии.

Машинное обучение

Машинным обучением обычно называют методы анализа, основанные на байесовской теории, которые используются для распознавания шаблонов и обучения. В основе машинного обучения лежит набор алгоритмов, которые используют предоставленные данные для обучения и прогнозирования, оптимизируют функцию полезности в условиях неопределенности, распознают в данных скрытые структуры и классифицируют данные в кратким описанием. Машинное обучение часто применяется в тех случаях, когда использование точных программных алгоритмов не обеспечивает достаточной гибкости или неэффективно. Обычный компьютерный код обрабатывает входные данные по алгоритму, заложенному разработчиком, и возвращает соответствующий ответ. Система машинного обучения анализирует входные данные для поиска шаблонов и создает статистический код (модель машинного обучения), который возвращает «правильный результат» на основании предыдущих входных данных (а также выходных данных в случае направляемого обучения). Точность модели машинного обучения во многом зависит от качества и количества накопленных со временем данных.

При использовании качественных данных модель может анализировать многомерные проблемы с миллиардами возможных вариантов и находить оптимальную функцию, которая по входным данным будет прогнозировать корректное значение. Как правило, модели машинного обучения прогнозируют ответ со статистической достоверностью и достаточно надежны. Такие оценочные показатели следует учитывать при принятии решения об использовании моделей машинного обучения или любого отдельного прогнозирования.

Как мы используем машинное обучение в Amazon?

Amazon.com активно использует системы машинного обучения для решения практических задач. Технологии машинного обучения помогают расширять сферу деятельности, улучшать работу сервисов, повышать качество логистики и скорость доставки. Amazon.com запустила платформу AWS, чтобы другие компании могли гибко и экономично использовать эти преимущества в своей ИТ-инфраструктуре, и продолжает делать технологии машинного обучения доступными для других.

Сама структура подразделений разработки Amazon.com и приверженность к решению утилитарных коммерческих проблем с помощью машинного обучения помогают создавать простые, но мощные инструменты и сервисы машинного обучения. Сначала эти инструменты тестируются на критически важных процессах в рамках Amazon.com – и только потом становятся доступны для других компаний, так же, как и другие ИТ-сервисы.

Использование машинного обучения для бизнеса

Машинное обучение часто используется для прогнозирования результатов на основании данных за прошедший период. Например, компании могут использовать машинное обучение для прогнозирования объемов продаж в будущем финансовом квартале на основе информации о демографической ситуации или оценивать, какие клиенты могут разочароваться в конкретном бренде или, наоборот, стать наиболее лояльными к нему, на основе профиля клиента. Такие прогнозы позволяют принимать более эффективные решения, улучшать качество продуктов и снижать расходы на удержание клиентов. Машинное обучение дополняет системы бизнес-аналитики, которые предоставляют информацию о деятельности компании за прошлые периоды, но фокусируется на прогнозах будущих тенденций.

Успешная реализация технологий машинного обучения в компании состоит из нескольких шагов. Прежде всего необходимо определить, какую проблему должна решать система, т. е. какие прогнозы могут быть полезны для компании. Затем необходимо собрать данные за прошлые периоды на основании бизнес-показателей (транзакции, показатели продаж, потери клиентов и т. п.). Эти данные будут использоваться для построения модели машинного обучения. После этого модель машинного обучения будет делать прогнозы, которые можно использовать для принятия более обоснованных бизнес-решений.

0
2 комментария
Популярные
По порядку
Nik Golenski

Амазон - молодцы!

Ответить
0
Развернуть ветку
Nik Golenski

Познавательное чтиво!

Ответить
0
Развернуть ветку
Читать все 2 комментария
«Мог стать знаменитым танцовщиком, но поднимаю с земли какашки»: как устроена миллиардная индустрия выгула собак в США Статьи редакции

Новички получают по $20 за полчаса с собакой, а опытные выгуливают сразу по восемь псов и за год выручают сотни тысяч долларов. Так ли легко гулять с питомцами и с какими причудами ленивых собачников приходится мириться — в конспекте материала The Hustle.

Стюарт с питомцами. Источник: Grow from Acorns
Как пандемия изменила рынок онлайн-страхования

Выяснили и рассказываем, как изменился онлайн-спрос на услуги страхования с начала пандемии.

«Холакратия, любимые мемчики и прозрачность»: программист о работе в Точке, моделинге и запуске треков на Spotify

Точка — это про людей. Про сотрудников, которые создают удобный банк для бизнеса. Мы запускаем серию интервью с нашей командой, чтобы рассказать, как у нас всё устроено.

Специфика поиска работы на сайте hh

Такой же материал я писала в 2019-м году, но за последние годы произошли некоторые изменения, которые вызвали массу негатива на сайт со стороны работодателей. Поэтому я решила обновить статью. Но основополагающие мысли не изменились, поэтому я буду частично повторяться.

«Инновации — это поле для сражений»

Как фуд-ритейл внедряет новые технологии.

Банкомат «Тинькофф» внёс не все деньги на мой счёт

28.12.2021 пополнял карту в банкомате Тинькофф, положить нужно было 60 тысяч. Выбрал на банкомате "Пополнить", положил в лоток 12 купюр по 5 тысяч, банкомат начал шуршать, через какое-то время на экране появилось сообщение типа "Заберите нераспознанные купюры", открылся лоток, в нем 5 купюр(25 тысяч), деньги забрал, на экране появилась сумма…

Это нужно знать иностранцам, желающим получить гражданство Турции, на основании покупки недвижимости
Как я адаптировал популярную игру и за неделю привлёк 100 тысяч пользователей без бюджета

За 6 часов сделал первую версию игры и ворвался в тренды Твиттера с одного твита. Привлек 100 000 пользователей за неделю, а также попал в более 50 СМИ страны. Как это было и что я для этого сделал можно узнать в статье.

Чтобы я посоветовал себе как предприниматель, если бы встретил себя 10 лет назад

До стартапа Event Link у меня уже был опыт, в том числе в качестве предпринимателя. Были как успешные бизнесы и стартапы, так и с факапами на 45 млн. руб.. Вот такие советы я бы дал себе, если бы встретил себя 10 лет назад

Статус бота Veles
Пять путешествий до Луны — столько километров ленты в TikTok могли просмотреть пользователи Yota за 2021 год
null