Wiodące konferencje w dziedzinie maszynowego i głębokiego uczenia
W dniach 6-7 maja w Monachium odbyły się dwa wiodące wydarzenia poświęcone maszynowemu i głębokiemu uczeniu, sieciom neuronowym i ich wykorzystaniu: Deep Learning World a Predictive Analytics World Industry 4.0. W konferencjach wzięło udział ponad 200 uczestników z 29 krajów!
Nie jest łatwo znaleźć prawdziwie wysokiej jakości konferencję, gdzie prelegenci dzielą się nie tylko teoretycznymi możliwościami technologii, ale także możliwościami ich stosowania, które przynoszą firmom realne korzyści ekonomiczne. Takie to były konferencje w Monachium.
Co jest Deep Learning World a Predictive Analytics World Industry 4.0?
Obie konferencje to globalne platformy organizowane w miastach na całym świecie. Oddział konferencji Predictive Analytics World w Monachium odbył się po raz drugi, tylko że w tym roku organizatorzy postanowili jednocześnie zorganizować też Deep Learning World. Łącząc dwie konferencje pod dachem hotelu Holiday Inn, prelegenci mogłi poruszyć szerszy zakres tematów: Deep Learning World skoncentrowała się na technicznych składnikach głębokiego uczenia i sieciach neuronowych, a Predictive Analytics World Industry 4.0 – na praktycznych zastosowaniach Internetu rzeczy i uczenia maszynowego w biznesie.
SMART business na Deep Learning World Munich 2019
SMART business, będąc członkiem społeczności Microsoft na rzecz rozwoju sztucznej inteligencji – Microsoft AI Inner Circle Partner Program, uczestniczyła w konferencji po raz drugi. W Deep Learning World firmę reprezentował Andrey Schur.
– Prelegenci prezentowały na Deep Learning World bardzo silne raporty z technicznego punktu widzenia – podzielił się swoimi wrażeniami na temat konferencji Andrey. – Rozwiązania SMART business nie pozostają w tyle prezentowanych technologii, a gdzieś idziemy nawet o krok dalej!
Andrey mówił w Monachium o temacie «Ewolucja systemów rekomendujących. W jaki sposób sieci neuronowe i głębokie uczenie pozwalają na dokładniejsze zalecenia».
Ze wzrostem ilości produktów i informacji coraz ważniejsze staje się dla firm rozpoznawanie swoich klientów, dostarczanie treści i produktг, które odpowiadają ich preferencjom. To systemy rekomendujące, oparte na głębokim uczeniu, umożliwiają analizowanie zestawów danych w celu tworzenia wysokojakościowych spersonalizowanych ofert dla każdego klienta. Algorytmy określają najodpowiedniejsze oferty na podstawie danych o zakupach: regularność zakupu towarów, kategorie cenowe, lokalizacja sklepów i dane demograficzne.
Rozwiązania SMART business wprowadzone do y sieci detalicznych «Chervoniy Market» i «Citrus» dają rekomendacje z dokładnością do 85%. Modele pomagają firmom zrozumieć zachowania klientów, oferować im odpowiednie produkty we właściwym czasie i za pośrednictwem właściwych kanałów komunikacji. Z pomocą systemów rekomendujących konwersja odpowiedzi na zakup wzrasta z 5% do 15%!
–Systemy rekomendujące zainteresowały uczestników konferencji, które zadały wiele pytań i zaangażowały się w dyskusję – powiedział Andrey. – Przedstawiciele miejskiej biblioteki w Helsinkach powiedzieli, że za pomocą prostej sieci rekomendującej znacznie zwiększyli konwersję wizyt do biblioteki. Miło słyszeć, że sieci neuronowe są również skuteczne w przypadku rozwiązań niekomercyjnych – wskazuje to na rzeczywiste korzyści technologii.
Czatboty i systemy tłumaczeniowe
«Podejścia do głębokiego uczenia dowiodły, że mają wystarczającą moc do symulacji odcieni języka i przekroczyły już wszystkie inne zautomatyzowane metody tłumaczenia». (Natasha Latysheva, inżynier maszynnego uczenia Welocalize).
– Jednym z głównych wyzwań dla technologii czatbotów jest wykorzystanie dodatkowej wiedzy w komunikacji z klientem – powiedział Sebastian Blank, inżynier danych inovex. – Złożoność języków naturalnych utrudnia korzystanie z fragmentów mowy przy użyciu predefiniowanych reguł.
Inżynierowie stworzyli modele głębokiego uczenia, aby przeprowadzały wyszukiwanie przy użyciu pytań w języku naturalnym. Takie systemy współdziałają z relacyjnymi bazami danych, zapewniając bardziej dokładne wyniki komunikacji czatbotów.
Głębokie uczenie w celu określenia nieprawidłowego działania aparatów i usterek na taśmie przenośnika
«Ostatnie postępy w głębokim uczeniu i wizji maszynowej, wraz z mocą obliczeniową sprzętu, otworzyły nowe możliwości w wykrywaniu defektów w produkcji przemysłowej». (Johannes Crokel, dyrektor działu Data Science & AI w Schaeffler).
Deweloperzy Schaeffler wdrożyli kontrolę wizualną (Visual Inspection) na linii montażowej w celu ujawnienia usterek produktu. Zamiast osoby, która zwykle sprawdza wszystkie części, nad taśmą przenośnika zainstalowana jest kamera do kontroli usterek.Wyniki świadczą, że metody głębokiego uczenia są skuteczne w wizualnej kontroli produkcji w czasie rzeczywistym – model nauczył się rejestrować każdą jednostkę w kontekście i minimalizować błędy, związane z czynnikami ludzkimi.
Internet rzeczy jest również używany do określenia usterek w pracy samych urządzeń. W tym celu na każdej jednostce produkcyjnej są zainstalowane czujniki. Analizując dane z różnych źródeł, modele «widzą» anomalię w pracy aparatu i sugerują działania, które należy podjąć do naprawy konkretnej jednostki.
Głębokie uczenie w celu analizy tekstów umów
Zaplecze glębokiego uczenia pozwala już na ocenę mocy prawnej umów. Założyciel dida Datenschmiede – Philippe Jackmut, na przykładzie umów wynajmu mieszkań pokazał model sieci neuronowej, która przetwarza zdigitalizowane kontrakty, ujawniając nieścisłości w wypełnianiu lub niezgodności z obowiązującymi przepisami. Model pokazuje, które kontrakty mogą zostać przedłużone i które powinny zostać rozwiązane.
Niektóre tematy z Predictive Analytics World Industry 4.0
– W tym roku w Predictive Analytics World poziom tematów znacznie wzrósł – powiedział Andrey. – Prelegenci przybyli z bardziej całościowymi przypadkami i rozwiązaniami, prezentując skuteczne możliwości wykorzystania systemów maszynowego i głębokiego uczenia. Rozdziełenie konferencji na dwa strumienie pozwoliło w pełni skoncentrować się na rozwiązaniach biznesowych, pozostawiając część techniczną dla Deep Learning World.
Niemieckie koleje wykorzystują uczenie maszynowe do obliczania energii elektrycznej
Gdy energia elektryczna jest głównym źródłem energii dla pociągów, ważne jest, aby właściwie rozdzielić jej dostawy. Inżynierowie z Deutsche Bahn, głównego niemieckiego operatora kolejowego, opracowali model uczenia maszynowego do przewidywania zasilania pociągów.
Biorąc pod uwagę ruch pociągów, warunki pogodowe, porę dnia i zatłoczenie kolei, model z dokładnością do 85% przewiduje ilość energii elektrycznej, która musi być dostarczona do każdego klastra w określonym czasie. Pozwala to zoptymalizować dystrybucję energii i zminimalizować możliwe opóźnienia pociągów.
Vodafone – data science w sieci telefonicznej
Markus Rother, kierownik działu sieci analitycznych w Vodafone, powiedział, że firma wykorzystuje algorytmy uczenia maszynowego i Internet rzeczy do przewidywania zasięgu sieci w Niemczech. Model uznaje wzrost obciążenia magistrali i przewiduje, jak będzie się rozwijać zużycie i obciążenie sieci. Korzystając z tych informacji, pracownicy Vodafone kładą nowe magistrale i instalują wieże w miejscach o rosnących wskaźnikach zużycia.
Vodafone wykorzystuje również uczenie maszynowe do przewidywania utraty klientów. Model analizuje ponad 80 parametrów, w tym informacje techniczne o routerze, prędkość ułożonego kabla, informacje o rodzaju magistrali i czynniki demograficzne. Firma buduje odpowiednią komunikację z klientami, oferując aktualne pakiety i zapewniając niezbędne wsparcie techniczne.
Korzystanie z Internetu rzeczy w gospodarstwach
W celu poprawy zdrowia krów i ich wydajności mlecznej, niektóre gospodarstwa w Niemczech korzystają z Internetu rzeczy. Za pomocą czujników umieszczonych zarówno w gospodarstwie, jak i samych krowach, rolnicy monitorują stan zdrowia i ogólny stan zwierząt. Model analizuje setki parametrów: od tętna i dostępności żywności do temperatury i wilgotności, przewidując, co rolnicy muszą zrobić, aby poprawić życie określonej krowy.
Wyniki
Dzięki technologii głębokiego i maszynowego uczenia stały się dostępne rozwiązania, które wydawały się niepraktyczne jeszcze piętnaście lat temu. Konferencje Deep Learning World i Predictive Analytics World Industry 4.0 dowiodły, że rozwój technologiczny umożliwia dokładniejszą analizę danych, podniesienie poziomu prognozowania, ograniczenie wypływu klientów i optymalizację pracy każdego przedsiębiorstwa.