Машинное обучение

До недавних пор программистам приходилось писать сложные и очень точные инструкции даже для того, чтобы компьютеры могли выполнять самые простые задачи. Языки программирования всегда развивались, но самым значительным достижением в этой области стало упрощение работы с кодом. Теперь компьютеры можно не программировать как раньше, а настраивать таким образом, чтобы они обучались сами. Этот процесс, названный машинным обучением, обещает стать настоящим технологическим прорывом и может повлиять на любого человека, независимо от сферы его деятельности. Машинное обучение избавляет программиста от необходимости подробно объяснять компьютеру, как именно решать проблему. Вместо этого компьютер учат находить решение самостоятельно. По сути, машинное обучение — это очень комплексное применение статистики для поиска закономерностей в данных и создания на их основе нужных прогнозов.

Сначала алгоритм получает набор обучающих данных, а затем использует их для обработки запросов.

Когда данных становится очень много, то обработать такие объемы информации становится человеку не под силу. Тут и приходит на помощь алгоритмы «машинного обучения».

Машинное обучение — это набор методов и алгоритмов, которые позволяют, проанализировав существующую информацию (изображения, структурированные данные, видео, аудио, тексты), научиться распознавать в них образы, выявить закономерности поведения и для новых данных находить соответствия этим образам, предлагать наиболее эффективные способы поведения и так далее.

Для того, чтобы задача хорошо решалась методами машинного обучения, необходимо выполнение нескольких условий:

• Должна существовать задача с большим объемом рутинных операций.
• Не существует четкого алгоритма действий, с помощью которых можно решить данную задачу.
• В задаче точно известна целевая функция (что хотим получить).
• Большой объем исторических данных и достигнутый результат (обучающая выборка).

Например, необходимо классифицировать входные клиентские сообщения по типу (для передачи в определенную группу сотрудников для обработки). В данной задаче выполняются все вышеперечисленные условия, и она хорошо решается с помощью методов машинного обучения. Ясна задача и целевая функция. У нас есть большая обучающая выборка исторических сообщений с правильной привязкой к категории. Нет единого алгоритма как по тексту сообщения понять правильную группу (человеческий язык слишком сложен для алгоритмизации).

Что уже включено в решения для Интеллектуального Предприятия на базе искусственного интеллекта?

1. Cash Application — автоматическое сведение платежей и счетов, сокращающая массу времени бухгалтера на выполнение рутинной задачи.
2. Brand Impact — мониторинг показа брендов в телетрансляциях в режиме реального времени. Выгода — замена человеческого ресурса, сокращение времени предоставления отчета по трансляции от 2–3 недель до секунд, новые модели монетизации рекламных показов.
3. Customer Retention — модели удержания клиентов. Выгода — новые алгоритмы (deep learning) дают более высокую точность вычислений, снижение требований к подготовке данных.
4. Service Ticketing — автоматическая категоризация входящих текстовых обращений. Выгода — сокращение затрат за счет автоматического решения большой части проблем и инцидентов.
5. Resume Matching — сопоставление резюме и должностной инструкции. Выгода — автоматическая массовая обработка текстов резюме для предварительного отбора кандидатов, сокращение временных затрат сотрудников кадровых служб.
6. CoPilot — цифровой мобильный ассистент сотрудника. Доступ ко всем нужным системам, в т.ч. с использованием человеческого языка (natural language processing).

Для чего используется искусственный интеллект в бизнесе?

• Автоматизация рутинных операций

  • Давайте представим себе компанию, которая получает десятки тысяч счетов от контрагентов в день. Например, в сфере перевозок. Они получают от транспортной компании счет на каждый вагон каждые 5 дней. Для крупной компании это означает 100–200 тысяч документов еженедельно. Можно представить объем работы по сверке поступившей документации, анализу возможных ошибок, поиска связи с цепочкой заказ-договор! А ведь все это уже сегодня можно доверить машине, которая не болеет, не устает и практически не ошибается. Если спросить бухгалтерский отдел: «В состоянии ли они проверить все поступающие документы на наличие ошибок?» Вы наверняка получите ответ «нет»! Это пример решения по автоматической сверке входящих платежей с выставленными фактурами (SAP Cash Application). 94% счетов компании BASF автоматически сверяются с платежами с помощью Искусственного Интеллекта.

    Еще один пример. Компаниям приходится платить за каждое сообщение, которое обрабатывает первая линия поддержки, если эта задача лежит на внешней (аутсорсинговой) компании. В их компетенции: разобрать сообщение, поставить правильную категорию и перенаправить сообщение правильному специалисту. Умножьте стоимость одного сообщения на количество сообщений и получите ту экономию, которую вам даст «искусственный помощник». В портфеле решений SAP этот продукт называется SAP Service Ticket Intelligence.

    Оба примера показывают одну из сфер применения машинного обучения — автоматизации рутинных операций. Таких примеров можно придумать десятки. Вот лишь несколько из реальной практики SAP: поиск наиболее подходящих кандидатов для закрытия существующих вакансий (Resume Matching), быстрое закрытие периода, помощь в построении классификации товаров и услуг, создание каталогов по фотографии (разбор образов) и многое другое. По статистике каждая корпоративная вакансия ведущих компаний привлекает в среднем 250 кандидатов. При этом от 75% до 85% кандидатов отсеиваются уже на первом этапе. 60% своего времени рекрутер тратит на просматривание первичных (и в будущем отбракованных) резюме. При этом велика вероятность ошибки — будет отбракован «правильный» кандидат.

• Помощь в принятии решения

  • Например, компания Adidas с использованием искусственного интеллекта проверяет свою новую коллекцию на соответствие модным тенденциям текущего года. Компьютер анализирует информацию из журналов\газет, интернет-изданий, социальных сетей и подсказывает дизайнеру на какой цвет стоит обратить внимание. Для больших банковских сетей или ритейл компаний с помощью машинного обучения можно найти наиболее выгодное расположение новой точки продаж или отделения банка. Подсказать как правильно работать с клиентом, удержать его в нашей сфере влияния, повысить уровень лояльности — очень популярная задача для искусственного интеллекта.

• Контроль

  • Применение автоматизированных средств для поиска закономерностей является отличным инструментом для поиска случаев мошенничества и различных злоупотреблений. Сегодня большинство компаний в мире говорят о том, что нужны инструменты, которые помогают контролировать персонал (как в части злоупотреблений, так и для предотвращения ошибочных действий). Именно такие механизмы будут встраиваться в бизнес-системы. Здесь и задачи сложнее, и цена ошибки гораздо выше! Умная ERP-система в очень скором времени будет помогать вам не совершать просчетов. Очень популярное направление — видеоконтроль. Отличный источник информации. Правильные ли действия выполнил сотрудник, сделал ли все необходимые операции, проверка качества на входе-выходе (например, качество товаров при приеме на складе) — все эти задачи будут выполняться автоматизировано, путем анализа видеопотока с камер. Например, компания BMW с помощью технологий видео-распознавания, основанного на использовании нейронных сетей, анализирует видеопоток телевизионных трансляций и рассчитывает объем присутствия бренда в той или иной стране. Компания Swarovski использует фотографию изделия, которое клиенты приносят в ремонт, для определения артикула и заказа запасных частей. При этом существенно ускоряется поиск нужного артикула изделия, и исключается возможность ошибки сотрудника.