Allmänna AI-tillämpningar
Maskininlärning vs Förutsägelsemaskiner
Tillämpning av maskininlärning:
När de utsätts för nya data kan datorprogram lära sig, växa, förändras och utvecklas av sig själva. Maskininlärning är en dataanalysmetod som automatiserar skapandet av analytiska modeller. Med enklare ord tillåter det datorer att hitta insiktsfull information utan att programmeras in i var man ska leta efter en viss information. För att göra detta använder ML algoritmer som iterativt lär sig av data.
Maskininlärning ligger bakom språköversättningsappar,
de program som Netflix föreslår för dig och hur dina sociala medieflöden presenteras.
Det driver autonoma fordon och maskiner som kan diagnostisera medicinska tillstånd baserat på bilder. Från tillverkning till detaljhandel och bank till bagerier, även äldre företag använder maskininlärning för ökad värdering eller öka effektiviteten.
Maskininlärning börjar med data - siffror, foton eller text, bilder av människor eller till och med bageriartiklar, reparationsposter, tidsseriedata från sensorer eller försäljningsrapporter. Data samlas in och förbereds för att användas som träningsdata, eller den information som maskininlärningsmodellen ska tränas på. Ju mer data, desto bättre är programmet. Därifrån väljer programmerare en maskininlärnings-modell att använda, tillhandahåller data och låter datormodellen träna sig själv för att hitta mönster eller göra förutsägelser. Med tiden kan den mänskliga programmeraren också justera modellen, inklusive att ändra dess parametrar, för att hjälpa till att driva den mot mer exakta resultat.Exempel på maskininlärningsproblem inkluderar,
"Är detta cancer?",
"Vilka av dessa människor är goda vänner med varandra?",
"Kommer den här personen att gilla den här filmen?"
sådana frågor som ska besvaras är utmärkta mål för maskininlärning, och i själva verket har maskinlärande tillämpats på sådana problem med stor framgång.
"Vilka av dessa människor är goda vänner med varandra?",
"Kommer den här personen att gilla den här filmen?"
sådana frågor som ska besvaras är utmärkta mål för maskininlärning, och i själva verket har maskinlärande tillämpats på sådana problem med stor framgång.
Tillämpning av förutsägelsemaskiner
Förmågan att förutsäga framtida händelser och trender är avgörande i alla branscher.
Prediktiv analys visas oftare än du kanske anar - från din veckovisa väderprognos till algoritmaktiverade medicinska framsteg. Här är en översikt över prediktiv analys för att komma igång på vägen till datainformerad strategiformulering och beslutsfattande.
Prediktiv analys visas oftare än du kanske anar - från din veckovisa väderprognos till algoritmaktiverade medicinska framsteg. Här är en översikt över prediktiv analys för att komma igång på vägen till datainformerad strategiformulering och beslutsfattande.
Prediktiv analys är användningen av data för att förutsäga framtida trender och händelser. Den använder historiska data för att prognostisera potentiella scenarier som kan hjälpa till att driva strategiska beslut.
Prediktiv analys kan utföras manuellt eller med hjälp av maskininlärningsalgoritmer. Hur som helst används historiska data för att göra antaganden om framtiden.
Prognoser kan göra det möjligt för dig att fatta bättre beslut och formulera datainformerade strategier. Här är några exempel på prediktiv analys i aktion för att inspirera dig.
1. Finans: Prognostisera framtida kassaflöde
Varje företag behöver föra periodiska finansiella poster, och prediktiv analys kan spela en stor roll för att förutsäga din organisations framtida hälsa. Med hjälp av historiska data från tidigare finansiella rapporter, liksom data från den bredare branschen, kan du projicera försäljning, intäkter och utgifter för att skapa en bild av framtiden och fatta beslut.
2. Underhållning och hotellbransch: Fastställande av personalbehov
Inom underhållning och hotellbransch beror kundtillströmning och tillströmning på olika faktorer, som alla spelar in i hur många anställda en plats eller ett hotell behöver vid en viss tidpunkt. Överbemanning kostar pengar, och underbemanning kan leda till en dålig kundupplevelse, utarbetade anställda och kostsamma misstag.
För att förutsäga antalet hotellincheckningar en viss dag kan en multipel regressionsmodell som tar hänsyn till flera faktorer hjälpa till att undvika överbemanning efter bästa förmåga.
3. Hälso- och sjukvård: tidig upptäckt av allergiska reaktioner
1. Finans: Prognostisera framtida kassaflöde
Varje företag behöver föra periodiska finansiella poster, och prediktiv analys kan spela en stor roll för att förutsäga din organisations framtida hälsa. Med hjälp av historiska data från tidigare finansiella rapporter, liksom data från den bredare branschen, kan du projicera försäljning, intäkter och utgifter för att skapa en bild av framtiden och fatta beslut.
2. Underhållning och hotellbransch: Fastställande av personalbehov
Inom underhållning och hotellbransch beror kundtillströmning och tillströmning på olika faktorer, som alla spelar in i hur många anställda en plats eller ett hotell behöver vid en viss tidpunkt. Överbemanning kostar pengar, och underbemanning kan leda till en dålig kundupplevelse, utarbetade anställda och kostsamma misstag.För att förutsäga antalet hotellincheckningar en viss dag kan en multipel regressionsmodell som tar hänsyn till flera faktorer hjälpa till att undvika överbemanning efter bästa förmåga.
3. Hälso- och sjukvård: tidig upptäckt av allergiska reaktioner
Ett annat exempel på att använda algorithms för snabb, prediktiv analys för förebyggande kommer från hälso- och sjukvårdsindustrin. Wyss Institute vid Harvard Universit
y samarbetade med KeepSmilin4Abbie Foundation för att utveckla en bärbar teknik som förutsäger en anafylaktisk allergisk reaktion och automatiskt administrerar livräddande adrenalin. Sensorn, kallad AbbieSense, upptäcker tidiga fysiologiska tecken på anafylaxi som prediktorer för en efterföljande reaktion - och den gör det mycket snabbare än en människa kan. När en reaktion förutspås att inträffa utlöses ett algoritmiskt svar. Algoritmen kan förutsäga reaktionens svårighetsgrad, varna individen och vårdgivare och automatiskt injicera adrenalin vid behov. Teknikens förmåga att förutsäga reaktionen med en snabbare hastighet än manuell detektering kan rädda liv.
Skillnaden mellan maskininlärning och prediktiv analys och var de överlappar varandra
| Maskininlärning | Prediktiv modellering |
| För att lösa komplexa problem använder den olika ML-modeller | För att förutsäga framtida resultat använder den tidigare data. |
| De har en tendens att anpassa sig och lära av erfarenheter. | De har inte en tendens att anpassa sig till data. |
| Inget behov av att uttryckligen programmera. | För att bearbeta data måste systemet programmeras manuellt. |
| För att hantera ett visst problem är deras modeller tillräckligt smarta för att anpassa och uppdatera. | De har inte smarta modeller som kan fatta beslut själva. |
| Det är ett datadrivet tillvägagångssätt. | Det är en metod som drivs av aktuellt fall. |
| Det kräver inte en stor mängd historiska data för att bearbeta uppgiften. | Det krävs en stor mängd historiska data för att bearbeta en viss uppgift, dvs. för att förutsäga framtida resultat. |
| För att lösa ett problem krävs en detaljerad beskrivning av problemet. | För att lösa ett problem kräver det inte en detaljerad beskrivning av problem. |
Träna ett maskininlärningssystem enkelt och lekfullt online
Träna ett maskininlärningssystem enkelt och lekfullt online - max 10 minuter.
Öppna den här länken i din webbläsare: https://machinelearningforkids.co.uk/#!/welcome- och följ de enkla och korta instruktionerna. Som ett resultat kommer du att kunna förstå hur du tränar ett maskininlärningssystem på det enklaste sättet.
YTTERLIGARE RESURSER: VIDEOR OCH/ELLER ANVÄNDBARA LÄNKAR
- https://machinelearningforkids.co.uk/#!/welcome
- Vad är ML, introduktion på 7 minuter: https://www.youtube.com/watch?v=ukzFI9rgwfU
- Läs om hur du använder ML by Google https://ai.google/education/
- Läs mer om ML: https://elitedatascience.com/machine-learning-interview-questions-answers
Referenser
● Prediction machines AI, https://www.predictionmachines.ai/ and https://store.hbr.org/product/prediction-machines-the-simple-economics-of-artificial-intelligence/10195?sku=10195-HBK-ENG
● https://medium.datadriveninvestor.com/prediction-machines-a-summary-278d3fdf94f1
● Machine Learning (ML) vs. Artificial Intelligence (AI) - Crucial Differences, https://towardsai.net/p/machine-learning/differences-between-ai-and-machine-learning-1255b182fc6
● How No-Code Platforms Can Bring AI to Small and Midsize Businesses by Jonathon Reilly, 2021, https://hbr.org/2021/11/how-no-code-platforms-can-bring-ai-to-small-and-midsize-businesses
● Adding real value https://static1.squarespace.com/static/59d6456137c581acfcef3422/t/5cadd76015fcc0f9e6594106/1554896736783/IM_Joshua+Gans+and+authors.pdf
● Machine Learning, MIT. https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
● Deep learning https://searchenterpriseai.techtarget.com/definition/deep-learning-deep-neural-network
Självreflektioner
och svara på följande frågor:
