Нейронные сети в логистике. Как искусственный интеллект влияет на функционирование бизнеса
Искусственный интеллект проникает во все сферы бизнеса – от производства до логистики последней мили. Но чтобы понять особенности функционирования нейронных сетей, нужно разобраться, что представляет из себя машинное обучение.
Этот вид искусственного интеллекта позволяет собрать информацию и использовать ее для понимания, как работает определенный процесс. Эти сведения дают понять, как процессы поведут себя в будущем, ведь система ежеминутно собирает и обновляет информацию. Таким образом, методы машинного обучения направлены не на срочное решение возникшей задачи, а непосредственно на обучение тому, как принять решение в случае, если возникнет подобная задача.
Говоря о нейронных сетях, следует иметь представление о глубоком обучении (deep learning). Это подразделение машинного обучения, акцентирующее внимание на том, что компьютеры должны учиться так, как это делают люди. А именно, приходить к выводам на основании показательных примеров.
Как это работает? Допустим, вы являетесь ребенком. Родители показывают вам яблоко – и вы определяете вкус, цвет, текстуру, а затем запоминаете, что именно этот объект имеет право называться яблоком. Так и методологии глубокого обучения нацелены на то, чтобы дать машинам возможность получать знания благодаря опыту. Алгоритм обучения выглядит так: одно и то же задание представляют неоднократно, и каждый раз компьютерная система получает отзыв, как выполнена задача. В следующий раз задача выполняется аккуратнее, и таким образом удается корректировать точность вычислений.
В чем же разница между машинным и глубоким обучением? Алгоритмы машинного обучения запрограммированы на выполнение точных задач. Например, вам нужно классифицировать информацию, предположить, какие цены будут в следующем сезоне. Чем больше сведений выходит в свободный доступ, тем лучше качество рабочих процессов. Однако эти улучшения всегда выполняет человек. В случае с глубоким обучением уровень вовлеченности человека в процесс выполнения задачи снижен.
Давайте посмотрим на следующий пример. У вас есть термостат, контролируемый голосом. Он запрограммирован на реакцию, в случае если вы командуете: «20 градусов». Если в основе лежит машинное обучение, через некоторое время термостат будет реагировать на более сложные команды, например: «Пожалуйста, установи температуру 20 градусов в доме». Но если термостатом управляет модель глубокого обучения, он отреагирует на смысл сказанного. Вы можете сказать: «О Боже, как холодно» либо «Я замерзаю» – и термостат тут же активируется. Получается, что в случае с глубоким обучением, девайс словно использует мозг – вернее, искусственные нейронные сети.
Что такое нейронные сети?
По мнению директора отдела Data Science и Аналитики в DialogTech, глубокое обучение используют в случае, если базы данных слишком огромны. В этом случае одних нейронных сетей будет мало. А глубокое обучение позволит обработать больше информации – и сделать это с невероятной точностью. В тоже время, DialogTech делает выбор в пользу нейронных сетей, чтобы классифицировать входящие звонки по категориям и рассортировать их по задачам.
Нейронные сети выполняют эти нехитрые действия, основанные на записи звонка и ключевых словах, звучащих в процессе разговора. Приводим пример: «Так, потенциальный клиент, который разговаривает с администратором в стоматологии, может попросить «записать его на конкретное время». Нейронная сеть примется искать, найдет и классифицирует эту фразу в разговоре, предложив маркетологам варианты действий, которые следует сделать вслед за звонком.
В то же время, директор финансово-консультационной компании M&A Solutions, утверждает, что нейронными сетями стоит воспользоваться, составляя предположения о том, как будет выглядеть срочная структура процентных ставок через три месяца. Более того, Нир Бар-Лев, CEO платформы глубокого обучения Allegro.ai уверен, что нейронные сети позволяют решать более сложные задачи, чем глубокое обучение. Так, гиганты технологий, такие как Google, Microsoft и Amazon в данный момент инвестируют именно в нейронные сети, потому что эти компании убедились в способности быстро составлять категории и распознавать огромное количество информации.
Кроме того, известно, что лучшая деловая соцсеть LinkedIn пользуется нейронными сетями, а также линеарными текстовыми классификаторами, чтобы определить наличие спама или оскорбительного контента. А также нейронные сети позволяют ранжировать все новости, статьи, вакансии и даже тренинги, чтобы лучше составлять рекомендации для завсегдатаев сети LinkedIn.
Итак, нейронные сети выполняют следующие функции:
– постоянное оценивание показателей продаж, нынешних трендов рынка;
– создание разных сегментов целевой аудитории, основываясь на демографической информации, поведении в Интернете и предпочтениях, выраженных конкретными пользователями сети;
– оптимизация процессов, например, расчет лучшего маршрута в случае с грузоперевозками, основываясь на таких параметрах, как время доставки и расход топлива;
– усложненные рекомендации, допустим предложение послушать песню или купить товар со стопроцентной точностью, чем не могут похвастаться другие алгоритмы;
– кризисный менеджмент, например, нейронная сеть в состоянии определить, что сейчас происходит с конкретным рынком в стране и оценить, когда будет спад или подъем производства – и выработает рекомендации, какие действия следует предпринять;
– разработка самостоятельных решений на основании увиденных примеров – так, искусственный интеллект может даже создать произведение искусства, просмотрев несколько художественных работ.
Использование нейронный сетей в предприятиях
Нейронные сети идеально подходят людям, которым по долгу службы необходимо решать сложные задачи. В результате, нейронные сети в состоянии принять решения в следующих сферах:
– оптимизация логистики транспортных сетей,
– кредитные операции и предотвращение (а также определение) финансовых преступлений,
– распознавание голоса,
– постановка диагноза в медицине,
– таргетированный маркетинг,
– финансовые предложения цен, валютных процессов, банкротства,
– системы роботехники,
– электрическая загрузка и потребление энергии,
– контроль процессов и качества,
– идентификация химических веществ в атмосфере,
– оценка работы экосистемы,
– компьютерное «зрение», интерпретирующее фотографии и видео (например, при распознавании лица).
Функционалом нейронных сетей стоит воспользоваться тем, кто беспокоится о кибербезопасности на предприятии. Так, более сложными стали не только системы, но и хакерские технологии, позволяющие кибермошенникам совершать преступления в Интернете. С одной стороны, тем, небольшим фирмам будет достаточно средств онлайн-защиты, таких как VPN, чтобы не дать преступникам получить доступ к корпоративной информации. С другой стороны, в случае с огромным предприятием необходимо подумать о глубоком обучении, ведь алгоритмы, в основе которых находятся нейронные сети, способны предугадать попытку взлома и не допустить ее.
Согласно подсчетам МакКинзи, благодаря глубокому обучению и нейронным сетям, каждая из вышеуказанных сфер имеет возможность увеличить суммарный доход от $3.5 млрд до $5.8 млрд ежегодно.
Помогают ли нейронные сети улучшить показатели производства?
О.Рэлли провел исследование, чтобы выяснить, помогают ли нейронные сети улучшить показатели производства. И попросил сотрудников различных предприятий указать, на сколько процентов улучшились показатели работы, и объяснить, какие программы использовались при этом. Получилась следующая картина:
– Компьютерное «зрение» – 13 проц.
– Интеллектуальный анализ текста – 11 проц.
– Анализ информации – 9 проц.
– Финансы – 3 проц.
– Прогнозы – 3 проц.
– Здравоохранение – 2 проц.
– Речевые технологии – 2 проц..
Неудивительно, что алгоритмы нейронных сетей привлекли внимание разнообразными функциями, обеспечивающими как машинный перевод, так и работу беспилотных автомобилей. Предприятия начинают использовать нейронные сети для того, чтобы обнаружить мошенников, оптимизировать промышленную работу, заниматься техническим обслуживанием и ремонтом, составлять рекомендации для поисковых систем. Становится ясно, что нейронные сети способны полностью перестроить процессы в ведущих индустриях. Главными игроками в последующие годы станут те предприятия, которые будут использовать нейронные сети, а те, кто не сочтет нужным работать с ними, проиграет.
Одна из главных проблем, возникающих при работе с глубоким обучением – это интенсивность моделей, ведь их запуск требует специальных ресурсов аппаратного и программного обеспечения. На данный момент лучшим решением для обучения компьютерных систем является графический процессор, разработанный в игровой индустрии и подходящий для параллельных вычислений, принятых в глубоком обучении.
Кроме того, нейронные сети периодически кажутся непонятными. Они используют скрытые слои, которые помещают в секретное место информацию, обработанную машиной для принятия решения. В некоторой степени, их работу невозможно понять полностью, и рядовому сотруднику приходится полагаться на тот выбор, который совершают нейронные сети. Тем не менее, в некоторых индустриях такая вариативность является неприемлемой. Например, в Европе по закону о защите персональных данных, любое финансовое предприятие обязано объяснить, как используются данные, переданные в компанию ее целевой аудиторией. В противном случае, использование информации и передача ее третьим лицам является незаконной.
Конечно, чтобы избежать проблем с законом, многие предприятия пользуются системами, помогающими устранить такую вариативность. Один из известнейших методов был разработан в Университете Вашингтона – и носит название «Локальные интерпретируемые модельно-агностические объяснения» (LIME). Эта модель позволяет вычислить алгоритм в момент принятия решения и предложить информацию, которую сможет прочитать человек. В случае если имело место мошенничество, знание данных сведений обеспечит безопасность предприятия, так как его руководство легко поймет, почему случилась утечка информации или была зафиксирована финансовая кража.
Вывод – как применяют нейронные сети в бизнесе
Приведем несколько примеров, как применяют нейронные сети в работе предприятий различной направленности.
1. Транспортная компания: может обучить модель распознавать по фотографии, был ли поврежден груз. Этого можно добиться, предварительно показав системе множество фотографий битых и целых коробок с грузом.
2. Магазин: воспользуется нейронными сетями, чтобы обучить модель предпочтениям клиентов. Модель наблюдает за потенциальным покупателем, а именно, за тем, какие товары он рассматривает и ставит на полку. Сканируя все детали, модель способна предложить маркетологам рекомендации, как стать более интересными для покупателей.
3. Производственная компания: может научить модель распознавать, не повреждены ли детали, используемые во время рабочего процесса.
Нейронные сети сделают так, что вы никогда не останетесь без материала для продуктов, с одной стороны. И каждый произведенный товар понравится покупателю, с другой стороны. Кроме того, рекуррентные нейронные сети помогут минимизировать экономический излишек, который придется оставить на складе, что может привести к убыткам.
Таким образом, машинное обучение, в комплексе с глубоким обучением и нейронными сетями способно самостоятельно принимать решения, оптимизировав работу на производстве. Более того, если вы – собственник предприятия, ваш доход и конкурентоспособность также будут зависеть от того, внедряете ли вы нейронные сети.
Анастасия Шкуро, techwarn.com