У першій частині нашого огляду AI технологій і сучасних тенденцій ми вже розповіли про RPA, комп'ютерний зір і чат боти. Далі мова піде про збір даних та їх обробку отриманої інформації для підвищення ефективності маркетингу, та інше.

Збір даних для статистики та аналізу в маркетингу

І маркетологам і власникам бізнесів знайома фраза Джона Ванамейкера: «Я знаю, що половина мого рекламного бюджету витрачається даремно, ось тільки не знаю, яка саме». З новими технологіями для збору і аналізу даних на базі штучного інтелекту вона остаточно втратила свою актуальність.

Маркетинговому відділу більше не доведеться з величезними зусиллями збирати воєдино весь розріджений масив інформації про клієнтів для своїх звітів про ефективність рекламних кампаній: чому люди йдуть із тієї чи іншої сторінки сайту, чому відмовляються купувати той чи інший товар або послугу. Тим більше, що на кожне рішення впливає маса не лише прямих, але й опосередкованих факторів, які людина просто не може врахувати в своєму аналізі.

При впровадженні RPA-технологій для статистики та аналізу цю роботу виконує спеціальна система. І першим етапом тут є процес майнінга даних (Data Mining, Big Data Mining).

Технології використання майнінгу даних

Майнінг даних для маркетингового аналізу дуже глибоко зав'язаний на використанні штучного інтелекту, оскільки для правильної інтерпретації поведінки людей комп'ютер повинен вивчити безліч варіантів цієї самого поведінки та її причин. Таке вивчення відбувається шляхом виявлення відомих патернів поведінки, а також залежностей. Підготовка нейромережі для такої роботи повинна включати не тільки навчання з учителем, а й навчання з підкріпленням для щоразу більшого числа областей.

Для більш глибокої обробки даних використовується два рівні майнингу: на першому відбувається препроцесинг (попередня обробка даних таким чином, що з них виникають додаткові дані). На другому рівні майнінгу всі отримані дані додатково аналізуються, скорочуються і подаються у вигляді  висновків, гіпотез і зрозумілих пояснень.

Завдяки застосуванню штучного інтелекту в маркетингу тепер співробітники зможуть працювати не з розрізненими даними, а з їх осмисленою подачею. В результаті ефективність бізнес-процесів значно підвищується.

Основні складові цієї технології:

    • Елементи статистичного аналізу (метод ітераційного підбору коефіцієнтів з перебором функцій і аналізом результатів по зменшенню середньоквадратичного відхилення)
    • Data mining і Big data
    • Кластеризація
    • Системи і методи збору інформації.

В результаті з'єднання RPA бізнес-процесів і правильного маркетингового підходу ефективність бізнесу підвищується в рази.

Класифікація/кластеризація текстів для RPA на базі штучного інтелекту

У деяких варіантах бізнесу доводиться працювати з величезними масивами текстів. Наприклад, юристи щодня стикаються з процесами, для роботи з якими необхідно знаходити необхідні статті в кримінальному, цивільному, сімейному та інших кодексах, як нашої країни, так і міжнародних. Систематизувати їх шляхом людських зусиль надзвичайно складно, це займає дуже багато часу (наприклад, при складанні каталогу статей вручну).

Відповідно, для підвищення ефективності такої роботи (і впровадження RPA у ваш бізнес) необхідно автоматизувати процес пошуку. А для цього потрібно створити систему, при якій потрібні статті знаходитимуться легко і швидко за допомогою класифікатора на базі штучного інтелекту, навченого працювати конкретно з даними потрібного кодексу.

Отже, нам потрібно максимально спростити пошук необхідних статей для роботи з кожною новою справою. Для вирішення даного завдання використовуються в першу чергу принципи класифікації та кластеризації.

Класифікація – визначення об'єкта до заздалегідь заданих класів за характеристичними функціями.

Для класифікації використовуються різні алгоритми: лінійні, логічні байєсовські, а також сама нейронна мережа. Навчати нейромережу класифікувати текстові документи за вмістом можна використовуючи метод з учителем, як і в розпізнаванні документів (після навчання на спеціально розмічених даних система сама буде привласнювати новим даним певні класи).

Кластеризація – поділ об'єктів на невідому кількість класів за їх схожістю. Головна відмінність від класифікації полягає в тому, що перелік груп чітко не заданий і визначається в процесі роботи алгоритму.

Для навчання нейромережі кластеризації використовуються різні алгоритми (наприклад, k-means та c-means (чіткі та нечіткі), ієрархічні та пласкі). Сам кластерний аналіз у спрощеному варіанті проходить наступні етапи:

1. Процес вибірки об'єктів для кластеризації.
2. Визначення безлічі змінних, за якими будуть оцінюватися об'єкти у вибірці, а також нормалізація їхніх значень (якщо є необхідність).
3. Обчислення значень міри схожості між об'єктами.
4. Застосування методу кластерного аналізу для створення власне кластерів.
5. Надання результатів аналізу.

Після розміщення всього текстового масиву в прості та зрозумілі кластери, підключається машинне навчання нейромереж для класифікації тексту на базі TensorFlow. І в результаті ви зможете отримувати всю необхідну вам інформацію за допомогою одного-двох кліків, що повністю відповідає всій філософії автоматизації бізнес-процесів.

Технології штучного інтелекту в безпілотному транспорті

Ще зовсім нещодавно безпілотний транспорт здавався фантастикою, а сьогодні він уже займає своє місце в нашій повсякденності, будучи яскравим прикладом автоматизації процесів життя. Цією розробкою вже користуються водії в США, ОАЕ, Великобританії. Їхньою розробкою займаються концерни:

General Motors, Volkswagen, Audi, BMW, Volvo, Nissan, Google, Cognitive Technologies і інші.

Ще в 2011 році Великобританія запустила в аеропорту Хітроу автоматичні маршрутні таксі на 4 людини та планує випустити безпілотні вантажні автомобілі вже в 2019 році. А Німеччина готується випустити перший повністю безпілотний електромобіль в 2021 році.

Безпілотний транспорт і супутня йому автоматизація несе відчутну користь у багатьох сферах життя:

    • Економічна (скорочення кількості ДТП, а також витрат на страхування і послуги швидкої допомоги; економія на кількості пального і заробітній платі для водіїв, що транспортують вантажі; можливість централізовано керувати дорожнім потоком і підвищити ефективність використання доріг);
    • Соціальна (безпечний каршейрінг; можливість неповнолітнім керувати автомобілем; можливість працювати, робити домашнє завдання або навіть спати в автомобілі; можливість доставляти вантажі в небезпечні регіони, не піддаючи ризику водіїв);
    • Екологічна (зниження потоку автомобілів і перехід на альтернативні види пального – як у випадку з електрокарами).

Технології для створення безпілотного транспорту

Для роботи безпілотного транспорту необхідне програмне забезпечення на базі машинного зору і нейромереж, а також цілий набір певних датчиків:

    • Система стереозору
    • Гіростабілізатор
    • LIDAR – далекомір оптичного розпізнавання
    • Система глобального позиціонування (GPS, ГЛОНАСС)

Також для створення безпілотних автомобілів використовують алгоритми на основі байєсівського методу одночасної локалізації та побудови карт (SLAM, simultaneous localization and mapping). Дані алгоритми комбінують дані з датчиків автомобіля (real-time) і даних карт (offline).

Ще один надійний спосіб застосування нейромереж та штучного інтелекту для транспорту – створення безпілотних трамваїв і поїздів (що цілком можна назвати RPA в транспортній сфері). Їх головні переваги в тому, що даний транспорт їздить за чітко заданим маршрутом і по власних рейках, де немає потоку інших транспортних засобів і практично не буває несподіваних перешкод (а реакцію на надзвичайні ситуації завжди можна запрограмувати заздалегідь).

Подібні безпілотні трамваї вже запущені в роботу в Китаї та Німеччині і демонструють успішну роботу, що дає позитивний приклад для розробки подібних проектів в Україні.

Роздумуєте над тим, щоб використовувати технології штучного інтелекту для підвищення ефективності вашого бізнесу? Звертайтеся до нас, запропонуємо варіанти, що найбільш підходять вашому бізнесу.

07.01.2019
Рейтинг: 5 / 5 (1)