Uczenie maszynowe w biznesie

Czym jest uczenie maszynowe?

Nazwa machine learning po raz pierwszy została użyta przez Arthura Samuela w 1959 roku. Tym określeniem zdefiniował zdolność komputerów do uczenia się programowania nowych umiejętności wprost (ang. field of study that gives computers the ability to learn without being explicitly programmed).

Choć pojęcie „uczenie maszynowe” może się wydawać skomplikowane i kojarzyć się głównie z technologiami, z którymi będziemy mieć do czynienia w przyszłości, to w praktyce tak nie jest. Machine learning już teraz ma szereg zastosowań w rozwiązaniach, z których korzystamy na co dzień. Przykładem systemu bazującego na algorytmach uczenia maszynowego, jest dobrze znany nam GPS. Jest on świetnym nawigatorem w podróży, ale jednocześnie ogromnym źródłem danych. Pozwala weryfikować miejsce naszego zamieszkania, pracy, ulubionego sklepu, a następnie zbiera te dane, by m.in. sugerować czas uruchomienia budzika, czy informacji o odjeździe ostatniego autobusu. Pomaga również w tworzeniu spersonalizowanych ofert zakupowych od sklepów, które mijamy na trasie powrotnej z pracy do domu. Sam proces uczenia maszynowego nie wymaga ingerencji ze strony programistów.

 Machine learning a sztuczna inteligencja

Sztuczna inteligencja i uczenie maszynowe są ze sobą bardzo ściśle powiązane i połączone. Nie należy jednak stosować ich zamiennie – sztuczna inteligencja (ang.artificial intelligence), to pojęcie znacznie szersze. Można natomiast powiedzieć, że uczenie maszynowe jest jedną z sił napędowych sztucznej inteligencji.

AI ma z założenia zastępować człowieka. Jest dziedziną nauki, która polega na tworzeniu systemów, które rozumieją i przyswajają nową wiedzę, czyli w dużym stopniu zachowują się tak, jak ludzie. AI to również m.in. kreatywność czy rozwiązywanie problemów.

Uczenie maszynowe to natomiast obszar sztucznej inteligencji odpowiedzialny za analizę danych i uczenie się maszyn. To właśnie dzięki machine learningowi:

• Youtube wie, co lubimy oglądać w zależności od pory dnia,
• Netflix sugeruje nam filmy, które mogą nam przypaść do gustu,
• Autokorekta podpowiada nam kolejne wyrazy podczas pisania na klawiaturze.

Zadaniem uczenia maszynowego jest ułatwianie nam życia, proponowanie gotowych rozwiązań i spełnianie oczekiwań.

 Jak wykorzystać machine learning w biznesie?

Uczenie maszynowe to model, który od dawna stosuje się  w biznesie. Pojawia się też sporo przykładów, które dopiero wkraczają do naszego życia, ale w niedalekiej przyszłości mogą je bardzo odmienić – jak m.in. samochody autonomiczne, interaktywne biura obsługi, czy choćby automatyzacja systemów produkcji i wydobycia w przemyśle i górnictwie. Przede wszystkim należy zaznaczyć, że wdrożenie do biznesu machine learningu nie jest łatwe, ale z całą pewnością  może przynieść wiele korzyści.

Uczenie maszynowe pozwala na:

•   ustalanie związków pomiędzy zmiennymi, co pozwala przewidywać przyszłe zachowani,
•   przydzielanie pewnych cech do określonych grup,
•   branie pod uwagę tylko tych zmiennych, które będą przydatne podczas dalszego przetwarzania informacji.

Oto korzyści, jakie płyną ze wdrożenia uczenia maszynowego w biznesie:

• Zwiększona wydajność operacyjna – dzięki sztucznej inteligencji i systemom uczenia maszynowego firmy mogą wydajniej korzystać z automatyzacji procesów, co zmniejsza koszty, oszczędza czas oraz zasoby dla innych, priorytetowych zadań.
• Lepsze i szybsze podejmowanie decyzji – firmy wykorzystują uczenie maszynowe, by zwiększyć integralność danych. Przy jednoczesnym korzystaniu ze sztucznej inteligencji, udaje się również zmniejszyć liczbę błędów popełnianych przez człowieka. To kombinacja, która prowadzi do podejmowania lepszych decyzji na podstawie lepszych danych.
• Lepsze wyniki – dzięki podejmowaniu właściwych działań

Obszary biznesu, w których bez machine learningu ani rusz

Obecnie w wielu biznesach niewdrożenie machine learningu może stawiać przedsiębiorstwo za konkurencją. Niektóre działalności trudno sobie wyobrazić bez uczenia maszynowego, ponieważ takie systemy są niezbędne, żeby efektywnie prowadzić daną działalność. Oto przykłady:

• Medycyna – dzięki machine learningowi możliwe jest przetwarzanie ogromnych ilości danych, co może pomagać w diagnostyce, opracowywaniu leków czy wczesnym wykrywaniu poważnych chorób.
• Finanse – w przypadku tej branży również mamy do czynienia z dużą ilością informacji. Algorytmy wykorzystywane są np. przez ubezpieczycieli do ustalania ryzyka ubezpieczeniowego. Mają również zastosowanie przy zatwierdzeniu kredytów czy wykrywaniu oszustw.
• Aplikacje internetowe – przyzwyczailiśmy się już do tego, że strony WWW same nam podpowiadają, że nie dokończyliśmy poprzedniego odcinka ulubionego serialu i co powinniśmy zobaczyć w dalszej kolejności. Wygodne jest, kiedy wyszukiwarka udziela podpowiedzi odnośnie do kolejnych zapytań, sugerując się poprzednio wpisywanymi frazami, a to tylko wybrane z setek zastosowań uczenia maszynowego w sieci.
• Produkcja – machine learning wykorzystywany jest m.in. do kontroli jakości, wykrywania odchyleń od normy czy prognozowania popytu.

Machine learning w handlu – Image Recognition

Technologie wykorzystujące AI, w tym machine learning już na stałe zagościły w handlu. W systemach wsparcia sprzedaży od kilku lat coraz częściej pojawiają się funkcjonalności oparte na Image Recognition, czyli rozpoznawaniu obrazu. IR najczęściej używa się do przeprowadzania audytu ekspozycji, a więc czynności, które zwykle są bardzo czasochłonne. Uczenie maszynowe sprawdza się tutaj doskonale. Dobrze wytrenowany algorytm potrafi rozpoznawać produkty na zdjęciu z dokładnością przekraczającą nawet 95-98%. W ten sposób część wizyty przedstawiciela handlowego, polegająca na ręcznym spisywaniu produktów obecnych na półce zostaje maksymalnie skrócona, ponieważ handlowiec musi jedynie zrobić zdjęcie.

Samo rozpoznanie produktów jest początkiem procesu, który w systemie przebiega automatycznie, a który polega na zbadaniu, czy ekspozycja spełnia określone warunki. Tutaj możliwe jest wiele różnych konfiguracji, ale sednem jest określenie KPI, które interesują producenta, czyli np. obecność określonych produktów, liczba facingów, udział w półce i wiele innych.

Poza wykonaniem za człowieka czasochłonnej pracy, machine learning pomaga w tym przypadku również pozyskać wiele cennych danych, które są idealną podstawą do rozliczeń z klientami – sklepami, sieciami handlowymi czy aptecznymi. Dzięki temu, że są potwierdzone zdjęciami, producenci mogą łatwiej egzekwować utrzymanie standardów ekspozycji w punktach sprzedaży.

Machine learning pomaga poznać preferencje klientów

Obecnie machine learning zaczyna być używany w jeszcze bardziej zaawansowanych i złożonych funkcjonalnościach. Możliwość automatycznego analizowania dużych zbiorów danych i wychwytywania skomplikowanych prawidłowości pozwala na użycie AI/ML do poznania i zrozumienia np. zachowań zakupowych klientów – np. punktów sprzedaży detalicznej, które kupują produkty od producentów.

Na podstawie rozpoznanych wzorców zachowań, które tak naprawdę oznaczają preferencje sklepów, algorytmy machine learning mogą tworzyć segmentacje behawioralną, czyli grupować punkty według ich zachowania i preferencji. W ten sposób producent po kilku chwilach otrzymuje to, czego zrobienie zajęłoby człowiekowi nawet tygodnie. Poza szybkością, ważną przewagą machine learning jest tutaj również dokładność, ponieważ algorytmy są w stanie wyłapać takie prawidłowości, które człowiekowi mogą umknąć.

Na tym jednak nie kończą się możliwości AI/ML. Poza samym rozpoznawaniem wzorców i grupowaniem klientów, system jest w stanie podpowiadać przedstawicielom konkretne produkty, które dane sklepy powinny mieć u siebie, ponieważ według danych dobrze się one sprzedadzą. Dzięki temu producenci mogą tworzyć oferty idealnie dopasowane do prawdziwego potencjału punktów sprzedaży.