תוֹכֶן
ש:
כיצד יכול למידת מכונה לעבוד מחוסר יעילות ניכרת כדי להכניס יעילות חדשה לעסקים?
ת:
אחד היישומים הפוטנציאליים הגדולים ביותר של מערכות למידת מכונות הוא כריית יעילות חשובה לתהליכים עסקיים ותפעוליים. תחום זה עדיין פורח ככל שמתפתחת למידת מכונות, והספקים מציעים לחברות כלים חזקים יותר להערכת תרחישים עסקיים.
באופן כללי, למידת מכונה יכולה לספק יעילות באמצעות בחינת מגוון גדול יותר של אפשרויות ובחירות, שחלקן עשויות להראות לא יעילות על פניהן. דוגמה מצוינת היא תהליך המכונה חישול מדומה הכולל אלגוריתמים שמניבים תוצאות בכמה מאותן דרכים בהן מהנדסים מקררים מתכת לאחר הזיוף. במובן מסוים, המערכת מקבלת את הנתונים ובוחנת את הנתיבים או התוצאות הלא יעילים הללו כדי לגלות אם, אם הם משולבים, משתנים או מניפולציה בדרך כלשהי, הם יכולים לייצר למעשה תוצאה יעילה יותר. חישול מדומה הוא רק אחת הדרכים הרבות בהן מדעני נתונים יכולים ליצור מודלים מורכבים שיכולים לשרש אפשרויות יעילות עמוקות יותר.
דרך אחת לחשוב על מסוג זה של יכולת למידת מכונה היא לבחון כיצד התפתחו מערכות ניווט GPS בשנים האחרונות. הדורות הראשונים של מערכות ניווט GPS יכלו לספק למשתמשים מספר נתיבים יעילים ביותר המבוססים על נתונים בסיסיים מאוד - או ליתר דיוק, נתונים שעכשיו לנו נראים בסיסיים מאוד. משתמשים יכלו למצוא את המסלול המהיר ביותר באמצעות כבישים מהירים, מסלול מהיר ביותר ללא אגרה וכו '. עם זאת, כפי שנודע לנהגים, ה- GPS לא היה יעיל באופן אופטימלי, מכיוון שהוא לא הבין סוגיות כמו עבודות דרכים, תאונות וכו'. עם מערכות GPS חדשות לגמרי, אלה התוצאות מובנות במכונה, ו- GPS מספק תשובות יעילות בהרבה, מכיוון שהאלגוריתם שוקל נתיבים שעלולים להיראות לא יעילים למערכת בסיסית יותר. על ידי למידה, המכונה מגלה יעילות. זה מציג את אלה למשתמש, וכתוצאה מכך, מספק שירות מותאם הרבה יותר. זה סוג הדברים שלמידה מכונה תעשה עבור ארגונים - זה ישחרר את היעילות על ידי חשיפת נתיבים נסתרים שהם מיטביים ויעילים, למרות שהם דורשים מורכבות אנליטית מסוימת. מערכות אלה, שמיועדות כל כך לספק תוצאות מיטביות, אינן משמשות רק לכריית בינה עסקית דיגיטלית; לדוגמה, דוח של GE מראה כיצד שימוש במערכות למידת מכונות יכול לשפר באופן דרמטי את פעולתן של מפעלי פחם המספקים כוח ליישובים.