Q:
Bagaimana pembelajaran mesin bekerja dari inefisiensi nyata untuk memperkenalkan efisiensi baru untuk bisnis?
SEBUAH:Salah satu aplikasi potensial terbesar dari sistem pembelajaran mesin adalah penambangan efisiensi penting untuk proses bisnis dan operasi. Bidang ini masih booming seiring pembelajaran mesin, dan vendor menawarkan alat yang lebih kuat kepada perusahaan untuk mengevaluasi skenario bisnis.
| Unduh Gratis: Pembelajaran Mesin dan Mengapa Itu Penting |
Secara umum, pembelajaran mesin dapat memberikan efisiensi melalui pemeriksaan berbagai kemungkinan dan pilihan, yang beberapa di antaranya mungkin tampak tidak efisien pada wajah mereka. Contoh yang sangat baik adalah proses yang disebut simulated annealing yang melibatkan algoritma yang menghasilkan hasil dalam beberapa cara yang sama seperti insinyur mendinginkan logam setelah menempa. Dalam arti tertentu, sistem mengambil data dan memeriksa jalur atau hasil yang tidak efisien ini untuk menemukan apakah, jika digabungkan, diubah, atau dimanipulasi dengan cara apa pun, mereka sebenarnya dapat menghasilkan hasil yang lebih efisien. Simulated annealing hanyalah salah satu dari banyak cara dimana para ilmuwan data dapat membuat model kompleks yang dapat membasmi opsi yang lebih efisien.
Salah satu cara untuk berpikir tentang jenis kemampuan pembelajaran mesin ini adalah dengan melihat bagaimana sistem navigasi GPS telah berkembang dalam beberapa tahun terakhir. Generasi awal sistem navigasi GPS dapat memberi pengguna sejumlah jalur paling efisien berdasarkan data yang sangat mendasar - atau lebih tepatnya, data yang sekarang bagi kami tampaknya sangat mendasar. Pengguna dapat menemukan rute tercepat menggunakan jalan raya, rute tercepat tanpa tol, dll. Namun, seperti yang dipelajari pengendara, GPS tidak efisien secara optimal, karena tidak memahami masalah seperti perbaikan jalan, kecelakaan, dll. Dengan sistem GPS baru, ini hasil dibangun ke dalam mesin, dan GPS memberikan jawaban yang jauh lebih efisien, karena algoritma mempertimbangkan jalur yang mungkin tampak tidak efisien untuk sistem yang lebih mendasar. Dengan belajar, mesin mengungkap efisiensi. Ini menyajikan ini kepada pengguna, dan sebagai hasilnya, memberikan layanan yang jauh lebih optimal. Itulah jenis hal yang akan dilakukan pembelajaran mesin untuk perusahaan - itu akan membebaskan efisiensi dengan mengungkap jalur tersembunyi yang optimal dan efisien, meskipun mereka memerlukan kompleksitas analitis. Sistem ini, yang diarahkan untuk memberikan hasil yang optimal, tidak hanya digunakan untuk penambangan intelijen bisnis digital; misalnya, laporan dari GE menunjukkan bagaimana menggunakan sistem pembelajaran mesin dapat secara dramatis meningkatkan operasi pembangkit listrik tenaga batu bara yang memberi daya kepada masyarakat.
