อัลกอริทึมการเรียนรู้ของเครื่อง (ML) ช่วยให้คอมพิวเตอร์สามารถกำหนดและใช้กฎที่ผู้พัฒนาไม่ได้อธิบายไว้อย่างชัดเจน
มีบทความมากมายเกี่ยวกับอัลกอริทึมการเรียนรู้ของเครื่อง นี่คือความพยายามในการสร้างคำอธิบาย “มุมมองเฮลิคอปเตอร์” ของวิธีการใช้อัลกอริทึมเหล่านี้ในพื้นที่ธุรกิจต่างๆ รายการนี้ไม่ใช่รายการที่ครบถ้วนสมบูรณ์แน่นอน
ประเด็นแรกคืออัลกอริธึม ML สามารถช่วยเหลือผู้คนได้ด้วยการช่วยให้พวกเขาค้นหารูปแบบหรือการพึ่งพาซึ่งมนุษย์ไม่สามารถมองเห็นได้
การพยากรณ์ตัวเลขดูเหมือนจะเป็นพื้นที่ที่รู้จักกันดีที่สุดที่นี่ เป็นเวลานานแล้วที่คอมพิวเตอร์ถูกใช้อย่างแข็งขันในการทำนายพฤติกรรมของตลาดการเงิน โมเดลส่วนใหญ่ได้รับการพัฒนาก่อนปี 1980 เมื่อตลาดการเงินสามารถเข้าถึงพลังการคำนวณที่เพียงพอ ต่อมาเทคโนโลยีเหล่านี้ได้แพร่หลายไปยังอุตสาหกรรมอื่นๆ เนื่องจากกำลังการประมวลผลมีราคาถูก บริษัทขนาดเล็กจึงสามารถใช้สำหรับการพยากรณ์ทุกประเภท เช่น การจราจร (ผู้คน รถยนต์ ผู้ใช้) การพยากรณ์การขาย และอื่นๆ
อัลกอริทึมการตรวจจับความผิดปกติช่วยให้ผู้คนสแกนข้อมูลจำนวนมากและระบุว่ากรณีใดที่ควรตรวจสอบเป็นความผิดปกติ ในด้านการเงิน พวกเขาสามารถระบุธุรกรรมที่เป็นการฉ้อโกงได้ ในการตรวจสอบโครงสร้างพื้นฐาน ช่วยให้ระบุปัญหาได้ก่อนที่จะส่งผลกระทบต่อธุรกิจ ใช้ในการควบคุมคุณภาพการผลิต
แนวคิดหลักที่นี่คือคุณไม่ควรอธิบายความผิดปกติแต่ละประเภท คุณให้รายชื่อกรณีต่างๆ ที่ทราบจำนวนมาก (ชุดการเรียนรู้) แก่ระบบ และระบบใช้สำหรับการระบุความผิดปกติ
อัลกอริทึมการจัดกลุ่มวัตถุช่วยให้สามารถจัดกลุ่มข้อมูลจำนวนมากโดยใช้เกณฑ์ที่มีความหมายหลากหลาย มนุษย์ไม่สามารถทำงานได้อย่างมีประสิทธิภาพด้วยวัตถุมากกว่าสองสามร้อยชิ้นที่มีพารามิเตอร์มากมาย เครื่องจักรสามารถจัดกลุ่มได้อย่างมีประสิทธิภาพมากขึ้น ตัวอย่างเช่น สำหรับลูกค้า / คุณสมบัติของลีด การแบ่งส่วนรายการผลิตภัณฑ์ การจัดประเภทกรณีการสนับสนุนลูกค้า เป็นต้น
อัลกอริธึมการทำนายคำแนะนำ / การตั้งค่า / พฤติกรรมช่วยให้เรามีโอกาสโต้ตอบกับลูกค้าหรือผู้ใช้ได้อย่างมีประสิทธิภาพมากขึ้นโดยนำเสนอสิ่งที่พวกเขาต้องการแม้ว่าพวกเขาจะไม่เคยคิดมาก่อนก็ตาม ระบบคำแนะนำทำงานได้แย่มากในบริการส่วนใหญ่ในขณะนี้ แต่ภาคส่วนนี้จะได้รับการปรับปรุงอย่างรวดเร็วในเร็วๆ นี้
ประเด็นที่สองคืออัลกอริธึมการเรียนรู้ของเครื่องสามารถแทนที่คนได้ ระบบทำการวิเคราะห์การกระทำของผู้คน สร้างกฎตามข้อมูลนี้ (เช่น เรียนรู้จากผู้คน) และใช้กฎนี้แทนผู้คน
ประการแรก เป็นเรื่องเกี่ยวกับการตัดสินใจมาตรฐานทุกประเภท มีกิจกรรมมากมายที่จำเป็นสำหรับการดำเนินการมาตรฐานในสถานการณ์มาตรฐาน ผู้คนทำ “การตัดสินใจมาตรฐาน” และเพิ่มกรณีที่ไม่ได้มาตรฐาน ไม่มีเหตุผลใดที่เครื่องจักรทำไม่ได้: การประมวลผลเอกสาร, การโทรเย็น, การทำบัญชี, การสนับสนุนลูกค้าบรรทัดแรก ฯลฯ
และอีกครั้ง คุณสมบัติหลักที่นี่คือ ML ไม่ต้องการคำจำกัดความของกฎที่ชัดเจน “เรียนรู้” จากกรณีต่างๆ ซึ่งผู้คนสามารถแก้ไขได้ในระหว่างการทำงาน และทำให้กระบวนการเรียนรู้มีราคาถูกลง ระบบดังกล่าวจะช่วยประหยัดเงินให้กับเจ้าของธุรกิจได้มาก แต่หลายๆ คนก็จะตกงาน
พื้นที่ที่ประสบความสำเร็จอีกอย่างคือการเก็บเกี่ยวข้อมูล / การขูดเว็บทุกประเภท Google รู้มาก แต่เมื่อคุณต้องการรับข้อมูลที่มีโครงสร้างโดยรวมจากเว็บ คุณยังคงต้องดึงดูดให้มนุษย์ทำเช่นนั้น (และมีโอกาสสูงที่ผลลัพธ์จะออกมาไม่ดีนัก) การรวมข้อมูล การจัดโครงสร้าง และการตรวจสอบข้าม ตามความต้องการและข้อกำหนดของคุณจะเป็นไปโดยอัตโนมัติด้วย ML การวิเคราะห์ข้อมูลเชิงคุณภาพจะยังคงทำโดยผู้คน
ในที่สุด แนวทางทั้งหมดนี้สามารถนำไปใช้ในเกือบทุกอุตสาหกรรม เราควรคำนึงถึงเมื่อทำนายอนาคตของบางตลาดและสังคมของเราโดยทั่วไป