Maskinlæring

Finansielle tjenester

Banker og andre virksomheder i finansbranchen bruger machine learning-teknologi til to hovedformål: at identificere vigtige indsigter i data og forhindre svindel. Indsigten kan identificere investeringsmuligheder eller hjælpe investorer med at vide, hvornår de skal handle. Dataudvinding kan også identificere kunder med højrisikoprofiler eller bruge cyberovervågning til at finde advarselstegn på svindel.

Myndigheder

Offentlige instanser som f.eks. offentlige sikkerhedsmyndigheder og forsyningsvirksomheder har et særligt behov for machine learning, da de har flere datakilder, der kan udnyttes til at opnå indsigt. Ved at analysere sensordata kan man f.eks. identificere måder at øge effektiviteten og spare penge på. Machine learning kan også hjælpe med at opdage svindel og minimere identitetstyveri.

Sundhedssektoren

Machine learning er en hurtigt voksende tendens i sundhedssektoren, takket være fremkomsten af bærbare enheder og sensorer, der kan bruge data til at vurdere en patients helbred i realtid. Teknologien kan også hjælpe medicinske eksperter med at analysere data for at identificere tendenser eller røde flag, der kan føre til forbedrede diagnoser og behandling.

Detailhandel

Hjemmesider, der anbefaler varer, du måske kan lide, baseret på tidligere køb, bruger maskinlæring til at analysere din købshistorik.  Detailhandlere er afhængige af maskinlæring til at indsamle data, analysere dem og bruge dem til at personliggøre en shoppingoplevelse, implementere en marketingkampagne, prisoptimering, vareplanlægning og til kundeindsigt.

Olie og gas

At finde nye energikilder. Analyse af mineraler i jorden. Forudsige sensorfejl i raffinaderier. Strømlining af oliedistribution for at gøre det mere effektivt og omkostningseffektivt. Antallet af anvendelsesmuligheder for maskinlæring i denne branche er enormt - og vokser stadig.

Transport

Analyse af data for at identificere mønstre og tendenser er nøglen til transportbranchen, som er afhængig af at gøre ruterne mere effektive og forudsige potentielle problemer for at øge rentabiliteten. Dataanalyse- og modelleringsaspekterne ved maskinlæring er vigtige værktøjer for transportfirmaer, offentlig transport og andre transportorganisationer.

Overvågede læringsalgoritmer trænes ved hjælp af mærkede eksempler, f.eks. et input, hvor det ønskede output er kendt. For eksempel kan et stykke udstyr have datapunkter mærket enten "F" (mislykket) eller "R" (kører). Læringsalgoritmen modtager et sæt input sammen med de tilsvarende korrekte output, og algoritmen lærer ved at sammenligne sit faktiske output med de korrekte output for at finde fejl. Derefter ændrer den modellen i overensstemmelse hermed. Gennem metoder som klassificering, regression, forudsigelse og gradueret boosting bruger overvåget læring forskellige mønstre til at forudsige værdier af labels på yderligere umærkede data. Overvåget læring bruges ofte i applikationer, hvor historiske data forudsiger sandsynlige fremtidige begivenheder. For eksempel kan det forudse, hvornår kreditkorttransaktioner sandsynligvis vil være bedrageriske, eller hvilken forsikringskunde der sandsynligvis vil indgive et krav.

Ikke-overvåget læring bruges i forhold til data, der ikke har nogen historiske etiketter. Systemet får ikke det "rigtige svar" at vide. Algoritmen skal finde ud af, hvad der bliver vist. Målet er at udforske dataene og finde en vis struktur i dem. Ikke-overvåget læring fungerer godt på transaktionsdata. Det kan f.eks. identificere segmenter af kunder med lignende karakteristika, som så kan behandles på samme måde i marketingkampagner. Eller det kan finde de vigtigste attributter, der adskiller kundesegmenter fra hinanden. Populære teknikker omfatter selvorganiserende kort, nærmeste nabos kortlægning, k-means gruppering og singulær værdisammensætning. Disse algoritmer bruges også til at segmentere tekstemner, anbefale varer og identificere afvigende data.

Semi-overvåget læring bruges til de samme formål som overvåget læring. Men den bruger både mærkede og umærkede data til træning - typisk en lille mængde mærkede data med en stor mængde umærkede data (fordi umærkede data er billigere og kræver mindre indsats at skaffe). Denne type læring kan bruges med metoder som klassificering, regression og forudsigelse. Semi-overvåget læring er nyttig, når omkostningerne forbundet med mærkning er for høje til at tillade en fuldt mærket træningsproces. Tidlige eksempler på dette omfatter identifikation af en persons ansigt på et webkamera.

Forstærkningslæring bruges ofte til robotteknologi, spil og navigation. Med forstærkningslæring opdager algoritmen gennem forsøg og fejl, hvilke handlinger der giver den største belønning. Denne form for læring har tre primære komponenter: agenten (den lærende eller beslutningstageren), miljøet (alt, hvad agenten interagerer med) og handlinger (hvad agenten kan gøre). Målet er, at agenten skal vælge handlinger, der maksimerer den forventede belønning over en given tidsperiode. Agenten vil nå målet meget hurtigere ved at følge en god strategi. Så målet med forstærkningslæring er at indlære den bedste strategi.