A gépi tanulás (Machine Learning) a mesterséges intelligencia (Artificial Intelligence, AI) leggyakrabban alkalmazott részterülete.

A gépi tanulás a tudományos fantasztikumból a modern üzleti élet alapelemévé vált, mivel a szervezetek szinte minden iparági vertikumban bevezetik vagy már be is vezették az ML technológiákat.

Az orvosok gépi tanulást alkalmaznak a betegek pontosabb diagnosztizálására és kezelésére, míg a kiskereskedők ezt az eszközt arra használják, hogy a megfelelő árut a megfelelő időben szállítsák ki a megfelelő boltokba. A kutatók pedig a technológiát hatékony új gyógyszerek kifejlesztésére alkalmazzák.

Ez csak egy szelete a felmerülő felhasználási eseteknek, mivel minden ágazat - az energiától és a közművektől kezdve az utazáson és a vendéglátáson át a gyártásig és a logisztikáig - a különböző funkciók egy adott szervezeten belül egyre gyakrabban alkalmazzák a gépi tanulást.

A gépi tanulás a mesterséges intelligencia egy részterülete, ahol a számítógépek algoritmusok segítségével tanulnak az adatokból, lehetővé téve a gépek számára a minták azonosítását - ez egy olyan képesség, amelyet a szervezetek többféleképpen is hasznosíthatnak.

A szakértők szerint a gépi tanulás lehetővé teszi a vállalkozások számára, hogy olyan mértékű és terjedelmű feladatokat hajtsanak végre, amelyeket korábban lehetetlen volt elérni. Ennek eredményeként felgyorsítja a munkatempót, csökkenti a hibák számát és javítja a pontosságot, ezáltal segítve az alkalmazottakat és az ügyfeleket egyaránt. Sőt, az innováció-orientált szervezetek megtalálják a módját annak, hogy a gépi tanulást ne csak a hatékonyság és a fejlesztések fokozására használják fel, hanem olyan új üzleti lehetőségek megteremtésére is, amelyek megkülönböztethetik vállalatukat a piacon.

"A gépi tanulás szinte minden funkciót és folyamatautomatizálást javít azáltal, hogy lehetővé teszi a változó körülményeken alapuló működési alkalmazkodást" - mondta Bruce Guptill, az Addressable Markets vezető stratégája, a független elemzőkből álló The Analyst Syndicate közösség tagja.

Íme a gépi tanulás 10 olyan alkalmazása az üzleti életben, amelyet problémák megoldására és kézzelfogható üzleti előnyök biztosítására használnak:

1. Valós idejű chatbot alkalmazások

• A Watson Assistant, amelyet az IBM azzal reklámoz, hogy "gyors és egyszerű válaszokat" ad, úgy van programozva, hogy tudja, mikor kell tisztázni a kérdést, és mikor kell egy emberhez továbbítani a kérést.
• A Spotify zenei streaming platform Facebook Messengerhez készült botjával a felhasználók zenét hallgathatnak, kereshetnek és oszthatnak meg, valamint ajánlásokat kaphatnak.
• A Lyft utasok chatplatformokon keresztül kérhetik a szolgáltatást, és a sofőr rendszámtáblájáról és autómodelljéről képeket kapnak, hogy hamarabb megtalálják a sofőrt és az autót.

2. Döntéstámogatás

A döntéstámogatás egy másik terület, ahol a gépi tanulás segíthet a vállalkozásoknak, hogy a rengeteg adatot hasznosítható meglátásokká alakítsák, amelyekkel hozzáadott értéket nyújt. Itt a múltbeli adatokon és bármely más releváns adathalmazon kiképzett algoritmusok képesek elemezni az információkat, és több lehetséges forgatókönyvet lefuttatni olyan mértékben és sebességgel, hogy az emberek számára lehetetlen ajánlásokat tenni a legmegfelelőbb cselekvési irányról.

"Nem helyettesíti az embereket, hanem inkább segít az embereknek jobban csinálni a dolgokat; sokkal hatékonyabbá teheti az embereket" - mondta Dan Miklovic, a Lean Manufacturing Research LLC alapítója és vezető elemzője, a The Analyst Syndicate tagja.

Íme néhány példa arra, hogyan használják a döntéstámogató rendszereket a különböző iparágakban:

• Az egészségügyi ágazatban a gépi tanulást tartalmazó klinikai döntéstámogató eszközök a diagnózisok és a kezelési lehetőségek tekintetében irányítják a klinikusokat, javítva az ápolók hatékonyságát és a betegek eredményeit.
• A mezőgazdaságban a gépi tanulással támogatott döntéstámogató eszközök az éghajlati, energia-, víz-, erőforrás- és egyéb tényezőkre vonatkozó adatok felhasználásával segítik a gazdálkodókat a termesztéssel kapcsolatos döntések meghozatalában.
• Az üzleti életben a döntéstámogató rendszerek segítik a vezetést a trendek előrejelzésében, a problémák azonosításában és a döntések felgyorsításában. Az információkat vezetői műszerfalakon keresztül, diagramok és egyéb grafikonok formájában mutatják be.

3. Ügyfélajánló motorok

A gépi tanulás hajtja az ügyfélajánló motorokat, amelyek célja az ügyfélélmény javítása és a személyre szabott élmények nyújtása. Ebben a felhasználási esetben az algoritmusok feldolgozzák az egyes ügyfelekre vonatkozó adatpontokat, például az ügyfél korábbi vásárlásait, valamint más adathalmazokat, például a vállalat aktuális készletét, a demográfiai trendeket és más ügyfelek vásárlási előzményeit, hogy meghatározzák, milyen termékeket és szolgáltatásokat ajánljanak az egyes ügyfeleknek.

Íme néhány példa olyan vállalatokra, amelyek üzleti modellje az ajánlómotorokra épül:

• Az olyan nagy e-kereskedelmi vállalatok, mint az Amazon és a Walmart ajánlómotorokat használnak a vásárlási élmény személyre szabására és felgyorsítására.
• A gépi tanulási alkalmazás másik jól ismert alkalmazója a Netflix, a streaming szórakoztató szolgáltatás, amely az ügyfél nézési előzményeit, a hasonló szórakozási érdeklődésű ügyfelek nézési előzményeit, az egyes műsorokkal kapcsolatos információkat és más adatpontokat használ fel arra, hogy személyre szabott ajánlásokat nyújtson ügyfeleinek.

4. Vevői elvándorlás modellezése

A vállalkozások az AI és a gépi tanulás másik módja az, hogy előre jelezzék, ha egy ügyfélkapcsolat kezd elmérgesedni, és megtalálják a javítás módját. Ily módon az új ML-képességek segítenek a vállalatoknak az egyik legrégebbi történelmi üzleti problémával, az ügyfelek elvándorlásával szemben.

Itt az algoritmusok a hatalmas mennyiségű történelmi, demográfiai és értékesítési adatban mintákat találnak, hogy azonosítsák és megértsék, miért veszíti el egy vállalat az ügyfeleit. A vállalat ezután a gépi tanulási képességek segítségével elemezheti a meglévő ügyfelek viselkedését, hogy felhívja a figyelmét arra, hogy mely ügyfelek vannak veszélyben, hogy máshová viszik az üzletüket, azonosítani tudja az okokat, amiért ezek az ügyfelek elhagyják, majd meghatározhatja, milyen lépéseket kell tennie a vállalatnak, hogy megtartsa őket.

A lemorzsolódási arány minden vállalkozás számára kulcsfontosságú teljesítménymutató, de különösen jelentős az előfizetéses és szolgáltató cégek esetében. Példák a következő vállalatokra, amelyek használják az ügyfelek lemorzsolódásának modellezését:

• médiavállalatok, mint a The New York Times, a Bloomberg News és a The Wall Street Journal;
• zene- és filmstreaming cégek, mint például a Netflix, az Amazon, az HBO és a Spotify;
• a szoftver-az-a-service nyújtó vállalatok, mint a Salesforce (CRM szoftver), az Adobe (multimédia, marketing szoftverek) és az
• nagy távközlési vállalatok.

5. Dinamikus árazási taktika

A vállalatok számos más változóra vonatkozó adatsorokkal együtt bányászhatják a korábbi árképzési adataikat, hogy megértsék, hogyan befolyásolják bizonyos dinamikák - a napszaktól kezdve az időjáráson át az évszakokig - az áruk és szolgáltatások iránti keresletet.

A gépi tanulási algoritmusok képesek tanulni ezekből az információkból, és kombinálni ezt a betekintést további piaci és fogyasztói adatokkal, hogy segítsenek a vállalatoknak dinamikusan árazni az árukat ezen hatalmas és számos változó alapján - egy olyan stratégia, amely végső soron segít a vállalatoknak maximalizálni a bevételt.

A dinamikus árképzés (amelyet néha keresleti árképzésnek is neveznek) leglátványosabb példája a közlekedési ágazatban történik. Gondoljunk csak az Uber dinamikusan emelkedő áraira, amikor a körülmények miatt egyszerre sokan keresnek fuvart, vagy a repülőjegyek égbe szökő áraira az iskolai szünetek hetében.

6. Piackutatás és ügyfélszegmentáció

A gépi tanulási alkalmazások nem csak az árképzésben segítenek a vállalatoknak, hanem a prediktív készlettervezés és az ügyfélszegmentálás révén abban is, hogy a megfelelő termékeket és szolgáltatásokat a megfelelő területekre a megfelelő időben szállítsák. A kiskereskedők például gépi tanulást használnak arra, hogy megjósolják, melyik üzletben melyik készlet fogy a legjobban az adott üzletet befolyásoló szezonális tényezők, az adott régió demográfiai jellemzői és egyéb adatok - például a közösségi médiában uralkodó trendek - alapján - mondta Adnan Masood, aki az UST Global vezető építészeként az AI-ra és a gépi tanulásra specializálódott.

"Gondoljunk rá úgy, mint egy kiskereskedelemre épített ajánlómotorra" - tette hozzá.

7. Csalások felderítése

A gépi tanulás képessége, hogy képes megérteni a mintákat - és azonnal észrevenni az ezeken a mintákon kívül eső anomáliákat - értékes eszközzé teszi a csalárd tevékenységek felderítésében. A pénzintézetek már évek óta sikeresen alkalmazzák a gépi tanulást ezen a területen. Ez így működik: Az adattudósok gépi tanulással megértik az egyes ügyfelek tipikus viselkedését, például azt, hogy mikor és hol használja a hitelkártyát. A gépi tanulás ezeket az információkat, valamint más adathalmazokat felhasználva, mindössze ezredmásodpercek alatt pontosan meg tudja határozni, hogy mely tranzakciók tartoznak a normál tartományba, és ezért jogszerűek, és melyek azok, amelyek kívül esnek az elvárt normákon, és ezért valószínűleg csalárdak. A gépi tanulás alkalmazása a csalások felderítésére az iparágakban a következők:

• pénzügyi szolgáltatások
• utazás
• játék
• kiskereskedelem

8. Képosztályozás és képfelismerés

A vállalkozások a gépi tanulás, a mélytanulás és a neurális hálózatok (a minták felismerésére tervezett algoritmusok) felé is fordulnak, hogy segítsenek értelmet nyerni a képekből. Ez a gépi tanulási technológia széles körben alkalmazható, kezdve a Facebook azon törekvésétől, hogy az oldalára feltöltött fényképeket megjelölje, a biztonsági csapatok azon törekvésén át, hogy valós időben azonosítsák a bűnözői magatartást, egészen az automatizált autók azon igényéig, hogy lássák az utat.

A kiskereskedők a képosztályozás és képfelismerés számos alkalmazásával is rendelkeznek, többek között a következőkkel:

• robotok felszerelése számítógépes látással és gépi tanulással a polcok letapogatására, hogy megállapítsák, mely cikkek fogytak el, milyen cikkek nincsenek raktáron, vagy melyek vannak rossz helyen;
• képfelismerés segítségével biztosítják, hogy minden terméket kivesznek a bevásárlókocsiból és beolvassák a vásárláshoz, ezáltal korlátozzák a nem szándékos eladáskiesést; és
• a nem biztonságos körülmények elleni küzdelem a képi anyagok elemzésével a gyanús tevékenységek, például a bolti lopások, és a munkahelyi biztonság megsértésének, például a veszélyes berendezések jogosulatlan használatának felderítése érdekében.

9. Működési hatékonyság

Bár egyes gépi tanulási felhasználási esetek nagyon speciálisak, sok vállalat alkalmazza a technológiát a rutinszerű üzleti folyamatok, például a pénzügyi tranzakciók és a szoftverfejlesztés kezelésére. "Tapasztalataim szerint (eddig) a legszélesebb körben a vállalati pénzügyi szervezetekben, a gyártási rendszerekben és folyamatokban, valamint - ami a legnagyobb hatással van rájuk - a szoftverfejlesztésben és -tesztelésben tapasztalható felhasználási esetek. És szinte minden eset a grunt munkán belül fordul elő" - mondta Guptill. A gépi tanulást számos üzleti részlegben használják a hatékonyság növelésére, többek között:

• pénzügyi osztályok és cégek, amelyek gépi tanulást használnak a munka felgyorsítására és az emberi hibák csökkentésére;
• üzemeltetési csapatok, amelyek gépi tanuláson alapuló megoldásokat használnak a berendezések felügyeletére, és előre azonosítják, hogy mikor lesz szükség karbantartásra és javításra, ezáltal csökkentve a váratlan problémákat és a nem tervezett munkakieséseket; és
• olyan informatikai részlegek, amelyek a szoftvertesztelés automatizálásának részeként gépi tanulást használhatnak a folyamat drámai felgyorsítására és javítására, ami gyorsabban és alacsonyabb költségekkel fejlesztett, jobb szoftvereket eredményez.

10. Információ kinyerése

A gépi tanulás az NLP-vel automatikusan azonosítani tudja a strukturált adatok kulcsfontosságú darabjait a dokumentumokból, még akkor is, ha a szükséges információ strukturálatlan vagy félstrukturált formátumban van tárolva.

"A gépi tanulás használata a dokumentumok megértéséhez hatalmas lehetőséget jelent az iparágakban" - mondta Scott Likens, a PwC tanácsadó cég új szolgáltatások és feltörekvő technológiai gyakorlatának vezetője.

A szervezetek az adónyomtatványoktól kezdve a számlákon át a jogi szerződésekig mindent feldolgozhatnak vele, növelve a hatékonyságot és a pontosságot az ilyen folyamatokban, és felszabadítva az emberi tehetségeket a hétköznapi, ismétlődő munkától. Az informatika olyan felhasználási mód, amely szerinte "nem szexi, de minden vállalkozás számára valódi értéket képvisel".