Передові конференції в сферах машинного та глибинного навчання
6-7 березня в Мюнхені відбулися два передові заходи, присвячені машинному та глибинному навчанню, нейронним мережам, а також їхньому застосуванню: Deep Learning World та Predictive Analytics World Industry 4.0. Deep Learning World та Predictive Analytics World Industry 4.0. На конференції з’їхалися більше 200 учасників з 29 країн світу.
Не так просто знайти дійсно якісну конференцію, на якій спікери розповідають не лише про теоретичні можливості технологій, а й про їх застосування, що приносить компаніям реальну економічну вигоду. Саме такими були конференції в Мюнхені.
Що таке Deep Learning World та Predictive Analytics World Industry 4.0?
Обидві конференції – глобальні майданчики для професіоналів у сфері штучного інтелекту, що проходять у містах по всьому світі. Філіал конференції Predictive Analytics World в Мюнхені відбувся вже вдруге.
Тільки цього року організатори вирішили разом з нею провести ще одну – Deep Learning World. Об’єднавши дві конференції під дахом готелю Holiday Inn, спікери змогли охопити більш широкий спектр тем: Deep Learning World фокусувалася на технічних складових глибинного навчання і нейронних мереж, а Predictive Analytics World Industry 4.0 – на практичному застосуванні Інтернет речей та машинного навчання в бізнесі.
SMART business на Deep Learning World Munich 2019
SMART business, будучи учасником закритої програми спільноти Microsoft з розвитку штучного інтелекту – Microsoft AI Inner Circle Partner Program, вже вдруге відвідала конференцію. На Deep Learning World компанію представляв data science інженер Андрій Щур.
– Спікери приїхали на Deep Learning World з дуже сильними доповідями з технічної точки зору, – поділився враженнями від конференції Андрій. – Рішення SMART business точно не відстають від представлених технологій, а в деяких аспектах ми навіть йдемо на крок попереду!
Андрій виступив в Мюнхені з темою «Еволюція рекомендаційних систем. Як нейронні мережі та глибинне навчання дозволяють робити більш точні рекомендації.»
В умовах збільшення кількості продуктів та обсягів інформації, для компаній стає важливіше розпізнавати своїх клієнтів, надавати контент та продукт, що відповідає їхнім уподобанням. Саме рекомендаційні системи на базі глибинного навчання дозволяють аналізувати масиви даних, щоб робити якісні персоналізовані пропозиції кожному клієнту. Алгоритми визначають найбільш релевантні пропозиції на основі даних про покупки: регулярності придбання товару, цінових категорій, місцезнаходження магазинів та демографічних даних.
Рішення SMART business, впроваджені в роботу торговельних мереж «Червоний маркет» та «Цитрус», дають рекомендації з точністю у 85%. Моделі допомагають компаніям розуміти поведінку клієнтів, пропонувати їм актуальну продукцію в потрібний час і зручним для клієнта каналом комунікацій. За допомогою рекомендаційних систем конверсія відгуку в покупку зростає з 5% до 15%!
– Рекомендаційні системи зацікавили учасників конференції, багато хто ставив запитання та долучався до дискусії, – сказав Андрій. – Наприклад, представники міської бібліотеки Хельсінкі розповіли, що, застосувавши просту рекомендаційну мережу, вони суттєво підвищили конверсію відвідувань бібліотеки. Приємно чути, що нейронні мережі ефективні і для некомерційних рішень – це свідчить про реальну користь технологій.
Чат-боти та природні мови
«Підходи глибинного навчання довели, що мають достатньо потужності для моделювання тонкощів мови та вже перевершили всі інші методи автоматизованого перекладу.» (Наташа Латишева, інженер машинного навчання Welocalize)
– Одним з головних викликів для технологій чат-ботів є використання додаткових знань у спілкуванні з клієнтом, – відзначив Себастіан Бланк, дата-інженер inovex. – Комплексність природних мов ускладнює обробку фрагментів мовлення за допомогою завчасно заданих правил.
Інженери inovex налаштовують моделі глибинного навчання таким чином, щоб вони задавали пошук, використовуючи питання природною мовою. Такі системи взаємодіють з реляційними базами даних, надаючи більш точні результати спілкування чат-ботів.
Глибинне навчання для визначення несправності апаратів та браку на конвеєрній стрічці
«Останні досягнення в сферах глибинного навчання та машинного зору, разом з обчислювальними потужностями апаратних засобів відкрили нові можливості у виявленні дефектів промислового виробництва.» (Йоханес Крокель, директор Data Science & AI в Schaeffler)
Розробники Schaeffler впровадили візуальний контроль (Visual Inspection) на конвеєрній лінії для знаходження браку в продукції. Замість людини, яка зазвичай перевіряє кожну деталь, над конвеєрною стрічкою встановили камеру, що контролює брак. Результати показали, що підходи глибинного навчання ефективні для візуального контролю виробництва в режимі реального часу – модель навчилася реєструвати кожну одиницю товару в контексті та мінімізувала похибки, пов’язані з людським фактором.
Інтернет речей також застосовується для визначення несправності самих апаратів. Тілак Кастурі, CEO компанії Predii, розповів, що для цього на кожному виробничому апараті були встановлені датчики. Аналізуючи дані з різних джерел, модель «бачить» аномалію в роботі апарату та пропонує дії, які потрібно виконати для ремонту конкретної одиниці.
Глибинне навчання для аналізу тексту контрактів
Потужності глибинного навчання вже зараз дозволяють оцінювати правову силу контрактів. Засновник dida Datenschmiede Філіп Джекмут на прикладі контрактів аренди житла продемонстрував модель нейронної мережі, яка опрацьовує оцифровані контракти, виявляючи неточності в заповненні або невідповідності чинному законодавству. Модель показує, які контракти можна продовжувати, а які необхідно розірвати.
Декілька тем з Predictive Analytics World Industry 4.0
– Цього року помітно зріс рівень тем на Predictive Analytics World, – відмітив Андрій. – Спікери приїхали з більш цілісними кейсами та рішеннями, представивши ефективні можливості застосування систем машинного та глибинного навчання. Розподіл конференції на два потоки дозволив сконцентруватися на бізнес-рішеннях, залишивши технічну частину для Deep Learning World.
Німецькі залізні дороги використовують машинне навчання для розрахунку електроенергії
Коли головним джерелом живлення потягів є електроенергія, треба правильно розподіляти її поставки. Інженери DB Systel розробили модель машинного навчання для основного залізничного оператора Німеччини – Deutsche Bahn.
Враховуючи маршрути поїздів, погодні умови, частину доби та інтенсивність руху на коліях, модель з точністю у 85% прогнозує кількість електроенергії, необхідну для кожного окремого кластера в певний час. Це дозволяє оптимізувати розподіл енергії та мінімізувати можливі затримки прибуття потягів.
Vodafone – data science в роботі телефонної мережі
Голова відділу аналітичних мереж у Vodafone Маркус Ротер розповів, що компанія використовує алгоритми машинного навчання та Інтернет речей для прогнозування мережевого покриття в Німеччині. Модель розпізнає збільшення завантаженості магістралей та передбачає, як буде розвиватися споживання та навантаження на мережу. Використовуючи цю інформацію, співробітники Vodafone прокладають нові магістралі та встановлюють вишки зв’язку в місцях зі зростаючими показниками споживання.
Vodafone також використовує машинне навчання для прогнозування відтоку клієнтів. Аналізуючи 80+ параметрів, включно з технічною інформацією про роутер, швидкість прокладеного кабелю, тип магістралі, а також демографічними факторами, компанія вибудовує відповідну комунікацію з клієнтами, пропонуючи актуальні пакети та надаючи необхідну технічну підтримку.
Використання Інтернет речей на фермах
За словами представників Holisticon AG, щаслива корова дає смачне молоко. Щоб покращити здоров’я корів та їх надій, деякі ферми в Німеччині застосовують Інтернет речей. За допомогою датчиків, розташованих як на території ферми, так і на самих тваринах, фермери спостерігають за здоров’ям та загальним станом скоту.
Модель аналізує сотні параметрів: від ритму серця і наявності їжі – до температури і вологості, передбачаючи, що потрібно зробити фермерам для покращення життя конкретної корови.
Підсумки
Завдяки технологіям глибинного та машинного навчання стали доступними рішення, які ще п’ятнадцять років тому вважалися непрактичними. Конференції Deep Learning World та Predictive Analytics World Industry 4.0 ще раз довели, що розвиток машинного та глибинного навчання дозволяє більш точно аналізувати дані для підвищення рівня прогнозування, скорочення відтоку клієнтів та оптимізації роботи будь-якого бізнесу.