Разработка проектов с искусственным интеллектом для бизнеса

Что такое искусственный интеллект и как он связан с машинным обучением

В широком смысле, искусственный интеллект (AI, Artificial Intelligence) — это процесс, который имитирует деятельность человеческого сознания. Он используется в программах, приложениях и различных технических системах, чтобы расширить их возможности.

Системы с искусственным интеллектом могут развиваться. Один из методов их развития — это машинное обучение (ML, machine learning), набор технологий и алгоритмов, который позволяет программе учиться на собственном опыте, обрабатывая огромный массив данных и ища в них закономерности.

Внедрение искусственного интеллекта и технологий машинного обучения помогает сделать мобильное приложение умнее и научить его навыкам, которые будут помогать бизнесу в достижении поставленных KPI.

«Искусственный интеллект хорошо справляется с заданиями, в которых нужно экспериментировать и развиваться методом проб и ошибок»

Эд Ньютон-Рекс,
Product owner Tik Tok EU

Простой и понятный пример пользы внедрения искусственного интеллекта в бизнес — это рекомендательные системы. Они быстро начинают понимать предпочтения пользователя, а затем «атакуют» его персонализированными рекомендациями.

Вы заказываете продукты в интернет-магазине, искусственный интеллект анализирует историю ваших покупок, обучается, и в какой-то момент предлагает уже готовую корзину продуктов, которая идеально вам подходит. Вам остается лишь нажать кнопку оплаты, а сэкономленное на выборе товаров время — посвятить любимому хобби

Решения на базе машинного обучения активно внедряются в бизнес и помогают с реализацией многих задач:

• повышают продажи и средний чек за счёт персонализированных рекомендаций;
• прогнозируют продажи и управляют ассортиментом;
• находят брак в промышленности;
• обрабатывают информацию и классифицируют данные со скоростью, физически недоступной человеку;
• автоматизируют рутинные задачи и сокращают расходы на персонал, который ими занимался;
• автоматизируют обслуживание за счёт внедрения ботов с искусственным интеллектом.

Какие задачи системы машинного обучения и искусственный интеллект решают лучше, чем человек

По мнению вице-президента NVIDIA Брайана Катанзаро, возможности искусственного интеллекта ограничены только отсутствием у него эмоций и чувств. А вот со всеми «рациональными» задачами ИИ справляется лучше человека:

1. Распознаёт объекты на фото, считает, классифицирует и сортирует их. Примеры из жизни: поиск по картинкам, выявление опухолей на рентгеновских снимках, фиксация превышения скорости.
2. Ищет людей и определяет их поведение. За счет машинного обучения и компьютерного зрения можно автоматизировать контрольно-пропускную систему на крупном предприятии, следить за временем работы сотрудников и их физическим состоянием, выявлять отклонения в поведении, опасные для здоровья. Эти технологии широко используются государством для поиска преступников, но могут служить и мирным целям.
3. Выявляет ошибки и аномалии в массивах данных. Например, в банковской системе, где происходят миллионы транзакций в час, даже целая армия людей не поможет выявить все подозрительные операции, а искусственный интеллект делает это на лету, сравнивая каждую транзакцию с нормой по заданному набору правил. Все аномальные транзакции будут помечены и отправлены на проверку человеку.

Если вы хотите внедрить искусственный интеллект в свой бизнес или получить бесплатную консультацию от специалистов по машинному обучению, заполните заявку или позвоните по номеру +7 (495) 204-35-03. Будем рады подобрать для вас подходящее решение.

Примеры внедрения искусственного интеллекта

• Искусственный интеллект от Google научился определять рак молочной железы на 9,4% точнее, чем врачи. Для этого он проанализировал сотни тысяч результатов анализов. Система находила рак там, где врачи не сумели его диагностировать, и ставила более точный диагноз.
• Яндекс. Еда разработал систему предсказания сроков приготовления блюд, что позволило лучше распределять рабочее время курьеров и ускорило время доставки. Если раньше курьер мог прийти в ресторан и 40 минут ждать блюдо, то теперь, благодаря машинному обучению, курьер приходит за заказом за 5 минут до его готовности.
• Производитель сельхозтехники John Deere начал эффективнее бороться с сорняками с помощью компьютерного зрения и машинного обучения. Система определяет сорняки через камеру и опрыскивает их специальными химикатами. Так производитель экономит ресурсы и получает больше урожая.
• Beauty-ретейлер «Рив Гош» внедрил ML-систему для рассылки персональных предложений своим клиентам. Она анализирует данные истории и определяет клиентов, которые могут сделать покупку в ближайшие две недели. На втором шаге система подсказывает, что из товаров порекомендовать этим людям и с какой скидкой. Внедрение позволило поднять средний чек на 42% и повысить Retention до 47%.

Какие технологии используются для разработки машинного обучения

Вот перечень технологий, которые используются для разработки машинного обучения чаще всего:

• Языки программирования Pyton и R;
• базы данных PostgreSQL, SQLite3, MongoDB, фреймворки Apache Spark, TensorFlow, PyTorch;
• библиотеки scikit-learn, NumPy, Keras, Pandas;
• сети распознавания изображений AlexNet, ZF Net, VGG Net, ResNet, YOLO, GoogLeNet;
• другие специфические инструменты.

Эффективные кейсы использования искусственного интеллекта

1. Кэшбэк для клиентов в приложении «Тинькофф-Банка»

Проблема: клиенты банка получают до 300 спецпредложений от магазинов-партнёров. Менеджеры вручную определяют значимость этих предложений и располагают на экранах. Самые интересные предложения должны находиться выше других, чтобы пользователям не приходилось листать и искать их. Но человеческое распределение не попадало в интересы пользователей. Целевые предложения уходили на нижние позиции и терялись среди других.

Решение: технология алгоритмического кэшбэка с рекомендательными моделями от «Тинькофф» научила приложение самостоятельно подбирать персонализированные спецпредложения для каждого клиента. Приложение формирует раздел «Рекомендуемые» с учётом новых офферов и совершённых трансакций. Предложения ранжируются по уровню значимости для каждого клиента.

Результаты: 1) доля клиентов, которые хотя бы раз воспользовались персональным предложением, выросла на 10%; 2) доля клиентов, совершивших покупку по персональному предложению, увеличилась на 11%; 3) компания сэкономила 80 млн рублей на оптимизации выплаты кэшбэка.

2. Видеоконтроль качества стали ВНС-9Ш

Проблема: специалисты должны находить сталь с браком, чтобы не допускать её в производство вертолётов, так как любой дефект может привести к крушению — даже тот, который не видим человеческому глазу. Но зрения специалистов не хватает для поиска «скрытого» брака.

Решение: проверка стали на программно-аппаратном комплексе, который с помощью нейросетевых технологий и компьютерного зрения сравнивает поверхность проверяемой стали с эталонной и выявляет дефекты.

Результаты: 1) система распознаёт 20 классов дефекта; 2) точность распознавания дефектов от 97%; 3) процесс определения дефектов ускорился в 6 раз.

3. Прогнозирование товарооборота новых магазинов «Магнит»

Проблема: потенциал локации для открытия новых магазинов сети оценивается вручную. Неточная оценка приводит к убыточным открытиям новых точек.

Решение: специально разработанная геоинформационная система помогла рассчитывать потенциал торговых площадок рекомендуя формат магазинов: гипермаркет, супермаркет, дрогери. По координатам локации система автоматически собирает более 50 признаков для анализа. Решение прогнозирует трафик и средний чек магазина.

Результаты: 1) количество точек с завышенным потенциалом снизилось на 10%; 2) расходы на открытие убыточных магазинов сократились на 94,2 млн рублей в год; 3) обработка заявки на открытие магазина ускорилась в 6 раз.

Этапы заказной разработки искусственного интеллекта

1. Знакомство:

• понимание задачи клиента.

2. Аналитика и проектирование:

• первичная оценка трудозатрат;
• проектирование системы;
• утверждение проекта.

3. Разработка:

• собственно разработка;
• тестовое внедрение системы;
• обучение системы на реальных данных.

4. Внедрение и развитие:

• отладка;
• промышленное внедрение;
• поддержка продукта.

Давайте начнем со знакомства? Оставьте свои данные в форме ниже, и мы свяжемся с вами, чтобы обсудить ваши задачи по применению машинного обучения и искусственного интеллекта.