Ведущие конференции в области машинного и глубокого обучения
6-7 мая в Мюнхене состоялись два лидирующих мероприятия, посвященные машинному и глубокому обучению, нейронным сетям и их применению: Deep Learning World и Predictive Analytics World Industry 4.0. Конференции посетили более 200 участников из 29 стран!
Не так просто найти действительно качественную конференцию, на которой спикеры делятся не только теоретическими возможностями технологий, но и их применениями, которые приносят компаниям реальную экономическую выгоду. Именно такими были конференции в Мюнхене.
Что такое Deep Learning World и Predictive Analytics World Industry 4.0?
Обе конференции – глобальные площадки, которые проходят в городах по всему миру. Филиал конференции Predictive Analytics World в Мюнхене состоялся уже второй раз, только в этом году организаторы решили вместе с ней провести еще одну – Deep Learning World. Объединив две конференции под крышей отеля Holiday Inn, спикеры смогли покрыть более широкий спектр тем: Deep Learning World фокусировалась на технических составляющих глубокого обучения и нейронных сетей, а Predictive Analytics World Industry 4.0 – на практических применениях Интернет вещей и машинного обучения в бизнесе.
SMART business на Deep Learning World Munich 2019
SMART business, являясь участником закрытой программы сообщества Microsoft по развитию искусственного интеллекта –Microsoft AI Inner Circle Partner Program, уже второй раз посетила конференцию. На Deep Learning World компанию представлял data science инженер, Андрей Щур.
– Спикеры приехали на Deep Learning World с очень сильными докладами с технической точки зрения, – поделился впечатлениями о конференции Андрей. – Решения SMART business точно не отстают от представленных технологий, а где-то мы даже идем на шаг вперед!
Андрей выступил в Мюнхене с темой – «Эволюция рекомендательных систем. Как нейронные сети и глубокое обучение позволяют делать более точные рекомендации.»
С растущим количеством продуктов и информации, компаниям становится важнее распознавать своих клиентов, предоставлять контент и продукт, соответствующий их предпочтениям. Именно рекомендательные системы на базе глубокого обучения позволяют анализировать массивы данных, чтобы делать качественные персонализированные предложения каждому клиенту. Алгоритмы определяют наиболее релевантные предложения на основе данных о покупках: регулярности приобретения товара, ценовых категорий, месторасположения магазинов и демографических данных.
Решения SMART business, внедренные в работу торговых сетей «Червоний Маркет» и «Цитрус», дают рекомендации с точностью 85%. Модели помогают компаниям понимать поведение клиентов, предлагать им актуальную продукцию в нужное время и по правильным каналам коммуникаций. С помощью рекомендательных систем конверсия отклика в покупку увеличивается от 5% до 15%!
– Рекомендательные системы заинтересовали участников конференции, многие задавали вопросы и вовлекались в дискуссию, – сказал Андрей. – Представители городской библиотеки Хельсинки рассказали, что, применив простую рекомендательную сеть, они ощутимо повысили конверсию посещений библиотеки. Приятно слышать, что нейронные сети эффективны и для некоммерческих решений – это говорит о реальной пользе технологий.
Чат-боты и переводческие системы
«Подходы глубокого обучения доказали, что имеют достаточную мощность для моделирования тонкостей языка и уже превзошли все другие методы автоматизированного перевода.» (Наташа Латышева, инженер машинного обучения Welocalize)
– Одним из главных вызовов для технологий чат-ботов является использование дополнительных знаний в общении с клиентом, – отметил Себастиан Бланк, дата-инженер inovex. – Комплексность естественных языков усложняет использование фрагментов речи с помощью заранее заданных правил.
Инженеры настроили модели глубокого обучения так, чтобы они задавали поиск, используя вопросы на естественном языке. Такие системы взаимодействуют с реляционными базами данных, предоставляя более точные результаты общения чат-ботов.
Глубокое обучение для определения неисправности аппаратов и брака на конвейерной ленте
«Последние достижения в области глубокого обучения и машинного зрения, вместе с вычислительными мощностями аппаратных средств, открыли новые возможности в обнаружении дефектов промышленного производства.» (Йоханес Крокель директор Data Science & AI в Schaeffler)
Разработчики Schaeffler внедрили визуальный контроль (Visual Inspection) на конвейерной линии сборки для нахождения брака в продукции. Вместо человека, который обычно проверяет каждую делать, над конвейерной лентой установлена камера, контролирующая брак. Результаты показали, что подходы глубокого обучения эффективны для визуального контроля производства в режиме реального времени – модель научилась регистрировать каждую единицу в контексте и минимизировала погрешности, связанные с человеческим фактором.
Интернет вещей также применятся для определения неисправности самих аппаратов. Для этого на каждом производственном аппарате устанавливаются датчики. Анализируя данные с разных источников, модели «видят» аномалию в работе аппаратов и предлагают действия, которые нужно совершить для починки конкретной единицы.
Глубокое обучение для анализа текста контрактов
Мощности глубокого обучения уже позволяют оценивать правовую силу контрактов. Основатель dida Datenschmiede Филипп Джекмут, на примере контрактов аренды жилья, показал модель нейронной сети, которая обрабатывает оцифрованные контракты, выявляя неточности в заполнении, или несоответствия актуальному законодательству. Модель показывает, какие контракты можно продлевать, а какие необходимо расторгнуть.
Несколько тем с Predictive Analytics World Industry 4.0
– В этом году заметно вырос уровень тем на Predictive Analytics World, – отметил Андрей. – Спикеры приехали с более целостными кейсами и решениями, представив эффективные возможности применения систем машинного и глубокого обучения. Распределение конференции на два потока позволило полностью сконцентрироваться на бизнес-решениях, оставив техническую часть для Deep Learning World.
Немецкие железные дороги используют машинное обучение для расчета электроэнергии
Когда главным источником питания поездов является электроэнергия, важно правильно распределить ее поставки. Инженерами Deutsche Bahn, основного железнодорожного оператора Германии, была разработана модель машинного обучения для прогнозирования подачи электроэнергии поездов.
Учитывая движение поездов, погодные условия, время суток и загруженность железных дорог, модель, с точностью 85%, прогнозирует количество электроэнергии, которое нужно подать на каждый отдельный кластер в определенное время. Это позволяет оптимизировать распределение энергии и минимизировать возможные задержки в прибытии поездов.
Vodafone – data science в работе телефонной сети
Глава отдела аналитических сетей в Vodafone Маркус Ротер рассказал, что компания использует алгоритмы машинного обучения и Интернет вещей для прогнозирования сетевого покрытия в Германии. Модель распознает увеличение загруженности магистралей и предсказывает, как будет развиваться потребление и нагрузка на сеть. Используя эту информацию, сотрудники Vodafone прокладывают новые магистрали и ставят вышки в местах с растущими показателями потребления.
Vodafone также использует машинное обучение для прогнозирования оттока клиентов. Модель анализирует 80+ параметров, включая техническую информацию о роутере, скорость проложенного кабеля, информацию о типе магистрали и демографические факторы. Компания выстраивает соответствующую коммуникацию с клиентами, предлагая актуальные пакеты и оказывая необходимую техническую поддержку.
Использование Интернет вещей на фермах
Чтобы улучшить здоровье коров и их удой, некоторые фермы в Германии применяют Интернет вещей. С помощью датчиков, расположенных как на территории фермы, так и на самих коровах, фермеры наблюдают за здоровьем и общим состоянием скота. Модель анализирует сотни параметров: от сердечного ритма и наличия еды – до температуры и влажности, предсказывая, что нужно сделать фермерам для улучшения жизни конкретной коровы.
Итоги
Благодаря технологиям глубокого и машинного обучения стали доступны решения, которые казались непрактичными еще пятнадцать лет назад. Конференции Deep Learning World и Predictive Analytics World Industry 4.0 доказали, что технологическое развитие позволяет корректнее анализировать данные, повышая уровень прогнозирования, сокращая отток клиентов и оптимизируя работу любого бизнеса.