Apl Web

Apakah Pembelajaran Mesin?

30 Oktober 2021

Isi kandungan

Pengenalan kepada Pembelajaran Mesin

Para penyelidik telah lama mengimpikan untuk membina mesin imaginatif. Apabila PC Boleh Aturcara pertama kali dicipta orang tertanya-tanya sama ada mesin sedemikian suatu hari nanti menjadi pintar seperti manusia dan mampu melakukan tugas seperti manusia. Hari ini, Kepintaran Buatan ialah teknologi baru muncul dengan pelbagai aplikasi dalam pelbagai bidang. Konsep AI adalah untuk mensimulasikan kecerdasan manusia ke dalam mesin buatan supaya mesin dapat berfikir dan melaksanakan tugas seperti manusia.

Mengapa kita memerlukan sebarang teknologi yang berfungsi seperti manusia dalam semua aspek?

Manusia mempunyai ketepatan yang sangat baik dalam melakukan kerja tetapi kecekapan terhadap kerja tidak memuaskan dan sentiasa ada had untuk mempercepatkan kerja oleh manusia tetapi ini tidak berlaku dari mesin dan juga kerja yang dilakukan oleh mesin adalah sangat tepat, seragam, dan boleh skala.

Pada abad kesembilan belas, revolusi Perisian berlaku untuk mengatasi masalah ini namun ia tidak mencukupi untuk menangani masalah ini. Perisian dapat melaksanakan tugas yang ditakrifkan secara rasmi dalam satu set peraturan supaya ia dapat menulis atur cara oleh pengaturcara dengan mempertimbangkan peraturan tersebut.

Contohnya, mengira hasil tambah dua nombor yang diberi. Dalam dunia hari ini, dari segi kelajuan dan ketepatan, komputer boleh mengalahkan mana-mana manusia dalam tugas ini. Tetapi masalah yang tidak mempunyai satu set peraturan formal dan memerlukan kecerdasan manusia maka masalah sebegini amat sukar untuk diselesaikan oleh komputer.

Sebagai contoh, untuk mengenali wajah, manusia dapat mengenali wajah dengan sangat mudah tetapi amat sukar untuk komputer mengenali kerana ia sangat kompleks untuk menulis peraturan formal wajah. Jadi cabaran sebenar kecerdasan buatan adalah untuk menyelesaikan tugas yang mudah dilakukan oleh manusia tetapi sukar untuk manusia gambarkan secara formal.

Mari kita ambil contoh sistem permainan catur Deep Blue yang dibangunkan oleh IBM. Peraturan catur boleh ditakrifkan sepenuhnya oleh satu set peraturan formal. Jadi peraturan ini dengan mudah ditukar kepada program oleh pengaturcara dan disediakan lebih awal oleh pengaturcara.

Kecerdasan buatan cuba menangani cabaran ini dengan memindahkan kecerdasan manusia kepada mesin dengan keupayaan pengiraan yang tiada tandingan.

Dalam kehidupan seharian, manusia memerlukan pengetahuan tentang dunia untuk menyelesaikan tugas mereka dan pengetahuan tersebut adalah subjektif dan intuitif oleh itu adalah sukar bagi pengaturcara untuk menyatakan dalam satu set peraturan.

Jadi dari sini kita dapat memahami bahawa, untuk berkelakuan seperti manusia atau dalam erti kata lain berkelakuan dengan cara yang bijak, komputer memerlukan pengetahuan yang sama Jadi cabaran utama dalam AI adalah untuk meletakkan maklumat tidak formal atau subjektif ini ke dalam komputer dan penyelidik dalam Artificial Bidang perisikan, pada dasarnya cuba mencapai objektif ini.

Penyelidik telah mengetahui cara asas untuk mencapai objektif ini. Mereka telah menggunakan pendekatan berasaskan Pengetahuan. Dalam pendekatan ini penyelidik mengekodkan pengetahuan tentang dunia dalam bahasa formal.

Komputer boleh menaakul secara automatik tentang pernyataan dalam bahasa formal ini menggunakan peraturan inferens logik. Memandangkan ini adalah pendekatan yang sangat asas, mudah dan naif, projek menggunakan pendekatan ini tidak berjaya kerana penyelidik bergelut untuk mencipta peraturan formal dengan kerumitan yang cukup untuk mereka bentuk dunia dengan tepat. Satu contoh projek sedemikian ialah Cyc. Cycl ialah enjin inferens.

Kesukaran yang dihadapi oleh projek di atas (berdasarkan pendekatan berasaskan Pengetahuan) adalah bergantung pada pengetahuan berkod keras. Jadi untuk mengatasi kesukaran ini, sistem AI memerlukan keupayaan untuk memperoleh pengetahuan mereka sendiri dari dunia, dengan mengekstrak corak daripada data mentah. Keupayaan ini dikenali sebagai Pembelajaran Mesin.

Pembelajaran Mesin

Pengenalan Pembelajaran Mesin memberi komputer keupayaan untuk memperoleh pengetahuan tentang dunia sebenar dan membuat keputusan yang kelihatan subjektif. Dengan cara ini, Pembelajaran Mesin dapat mengatasi batasan pendekatan berasaskan Pengetahuan.

Menurut Wikipedia

Pembelajaran Mesin ialah kajian algoritma komputer yang bertambah baik secara automatik melalui pengalaman.

Menurut Mitchell

Program komputer dikatakan belajar daripada pengalaman E berkenaan dengan beberapa kelas Tugasan T dan ukuran prestasi P, jika prestasi semasa tugas dalam T, seperti yang diukur oleh P, bertambah baik dengan Pengalaman E

Terdapat banyak jenis algoritma Pembelajaran Mesin yang wujud dalam literatur. Di sini pengelompokan algoritma dilakukan berdasarkan gaya pembelajaran. Kumpulan luas algoritma algoritma Pembelajaran Mesin ditunjukkan dalam Rajah 1. Mari kita lihat secara terperinci satu per satu.

pembelajaran mesin

Pengumpulan Algoritma Pembelajaran Mesin berdasarkan gaya pembelajaran

Pembelajaran yang diselia

Supervised Learning seperti namanya ialah kehadiran penyelia sebagai guru. Dalam Pembelajaran Terselia, kami melatih mesin kami menggunakan data berlabel. Data berlabel bermaksud untuk setiap input terdapat output yang dilabel dengan baik.

Dalam proses latihan, mesin memperoleh Pengetahuan dunia daripada data berlabel. Selepas latihan, mesin dibekalkan dengan set data baharu untuk meramalkan hasilnya. Objektifnya adalah untuk menjadikan mesin belajar daripada beberapa jenis corak serupa yang diperoleh daripada set data latihan dan menggunakan Pengetahuan yang dipelajari pada set data yang diuji untuk meramalkan output bernilai sebenar.

Mari kita ambil contoh set data Iris untuk memahami dengan lebih baik. Set data Iris ialah koleksi ukuran bahagian yang berlainan bagi 150 tumbuhan iris. Setiap contoh dalam set data terdiri daripada ukuran setiap bahagian tumbuhan seperti panjang sepal, lebar sepal, panjang kelopak, Lebar kelopak. Set data juga merekodkan spesies yang dimiliki setiap tumbuhan. Terdapat tiga spesies berbeza yang terdapat dalam set data. Jadi seperti yang kita lihat di sini dalam dataset Iris, setiap tumbuhan Iris dilabelkan dengan spesiesnya.

Lihat juga 15 Terbaik Perisian Pengurusan Jualan

Algoritma Pembelajaran Terselia boleh mengkaji set data ini dan belajar mengelaskan tumbuhan Iris kepada tiga spesies berbeza berdasarkan ukurannya

Istilah pembelajaran yang diselia pada asasnya bermaksud bahawa sasaran y disediakan oleh guru yang menunjukkan mesin apa yang perlu dilakukan.

Pembelajaran yang diselia dikelaskan kepada dua kategori algoritma seperti yang ditunjukkan dalam rajah:2.

Pembelajaran yang diselia

Regresi

Algoritma regresi meramalkan hasil berterusan (sasaran) berdasarkan satu atau lebih nilai Input atau peramal. Dengan kata mudah, nilai output adalah nilai sebenar seperti pemberat.

Terdapat pelbagai jenis algoritma regresi. Jenis-jenis algoritma regresi yang berbeza bergantung pada bilangan pembolehubah bebas, bentuk garis regresi, dan jenis pembolehubah bersandar. Mari lihat beberapa jenis teknik regresi.

Regresi linear ialah salah satu algoritma regresi yang paling asas dan popular untuk meramalkan nilai Berterusan. Di sini ia menganggap hubungan linear antara input (prediktor) dan Output.

Algoritma Regresi Linear

Nama regresi linear menunjukkan bahawa ia mampu menyelesaikan masalah regresi. Objektif algoritma ini adalah untuk membina sistem yang boleh mengambil vektor x dan meramalkan nilai skalar y sebagai output. Dengan kata mudah, algoritma ini mewujudkan hubungan antara input dan output menggunakan garis lurus yang paling sesuai.

y=wTx

Di sini w ialah vektor parameter. Parameter ialah nilai yang mengawal tingkah laku sistem.

Kita boleh menganggap 'w' sebagai satu set pemberat yang menentukan cara setiap ciri mempengaruhi output. Ciri ini tidak lain hanyalah ciri input.

Sebagai contoh

Katakan kita mahu mempunyai sistem yang mampu meramal harga kereta terpakai. Di sini ciri ialah atribut kereta yang kami fikir mempengaruhi nilai kereta seperti jenama, tahun, kecekapan enjin, kapasiti, perbatuan dan banyak lagi maklumat lain.

y=w0 * kapasiti+w1 * perbatuan +w3 * kecekapan enjin

jika ciri-ciri ini menerima wajaran positif wi maka peningkatan dalam wajaran ini meningkatkan nilai ramalan kami meningkat dan begitu juga sebaliknya. Jika pemberat 'wi' besar dalam magnitud maka ia mempunyai kesan yang besar terhadap ramalan. Jika berat 'wi' ialah 0 maka ia tidak mempunyai kesan ke atas ramalan.

Pengelasan

Pengelasan ialah konsep pembelajaran yang diselia yang cuba meramalkan kategori yang menjadi milik input. Untuk menyelesaikan masalah klasifikasi, algoritma pembelajaran akan cuba menghasilkan fungsi seperti f:R-{1,2,…k}. Dengan kata mudah, apabila output berubah adalah kategori seperti penyakit atau bukan penyakit iaitu dalam masalah ini output adalah diskret. Sebagai contoh, dalam dataset Iris, kita perlu meramalkan tiga kelas spesies diberi tiga ciri (panjang sepal(sl), lebar sepal(sw), panjang kelopak(pl), lebar kelopak(pw)) dalam input.

Mari kita ambil satu lagi contoh pengecaman objek untuk memahaminya dengan jelas

Di sini input ialah imej dan output ialah kod angka yang mengenal pasti objek dalam imej.

Terdapat beberapa algoritma klasifikasi. Algoritma Pengelasan termasuk regresi logistik mesin vektor sokongan, pepohon keputusan, hutan rawak, dll. Mari lihat beberapa algoritma secara terperinci.

Mesin Vektor Sokongan

Mesin vektor sokongan ialah algoritma pembelajaran diselia yang boleh digunakan untuk kedua-dua masalah klasifikasi dan regresi tetapi kebanyakannya ia digunakan untuk masalah klasifikasi.

Memandangkan set data latihan, setiap satu dilabelkan sebagai satu atau satu lagi daripada dua kelas, algoritma latihan SVM membina model yang memberikan contoh baharu kepada satu kategori atau yang lain, menjadikannya pengelas linear binari bukan kebarangkalian.

Pada asasnya algoritma ini cuba mencari hyperplane optimum di tempat n-dimensi yang mengklasifikasikan contoh baharu. Dalam ruang dua dimensi (apabila bilangan ciri input ialah dua) satah hiper ini hanyalah garisan yang membahagi satah kepada dua bahagian seperti yang ditunjukkan dalam rajah3.

mengikut wikipedia

Model SVM ialah perwakilan contoh sebagai titik dalam ruang, dipetakan supaya contoh kategori berasingan dibahagikan dengan jurang yang jelas selebar mungkin. Contoh baharu kemudiannya dipetakan ke dalam ruang yang sama dan diramalkan tergolong dalam kategori berdasarkan bahagian jurang di mana ia jatuh.

img 617dd7d8dd962

Rajah 3

SVM cuba memaksimumkan margin antara dua kelas. Margin maksimum dicapai oleh hyperplane yang mempunyai jarak terbesar ke titik data latihan terdekat bagi mana-mana kelas.

Ini sangat intuitif untuk difahami. Kita boleh lihat dalam rajah, semua titik data yang jatuh di sisi garisan akan dilabelkan sebagai satu kelas, dan titik yang jatuh di bahagian lain garisan akan dilabelkan sebagai kelas kedua. Sekarang seperti yang kita lihat dalam Rajah 3, terdapat jumlah garisan yang tidak terhingga yang melalui antara mereka.

Jadi bagaimana kita tahu baris mana yang berprestasi terbaik? Algoritma ini cuba memilih garisan yang bukan sahaja memisahkan dua kelas tetapi berada sejauh mungkin daripada sampel terdekat seperti yang ditunjukkan dalam Rajah 3.

Pembelajaran Tanpa Selia

Dalam pembelajaran terselia, objektifnya adalah untuk mempelajari pemetaan daripada input kepada output yang nilai betulnya disediakan oleh penyelia. Dalam pembelajaran tanpa pengawasan, hanya data input yang diberikan dan tiada penyelia seperti itu. Objektifnya adalah untuk mencari keteraturan input.

Terdapat struktur pada ruang input supaya beberapa corak berlaku lebih banyak daripada yang lain.

Lihat juga 9 Pembetulan Untuk Isu Berbilang Proses Google Chrome

Terdapat dua kaedah utama yang digunakan dalam pembelajaran tanpa pengawasan ialah analisis kelompok dan Komponen Utama.

Dalam analisis kelompok, objektifnya adalah untuk mencari kumpulan input.

Mari kita ambil contoh untuk memahami dengan jelas

Semua syarikat mempunyai banyak data pelanggan. Data pelanggan mengandungi maklumat demografi serta transaksi masa lalu dengan syarikat. Syarikat mungkin berminat untuk melihat pengedaran profil syarikatnya, untuk melihat jenis pelanggan yang kerap berlaku. Dalam senario sedemikian, pengelompokan memperuntukkan pelanggan yang serupa dalam atribut mereka kepada kumpulan yang sama. Kumpulan berkelompok ini boleh membantu dalam memutuskan strategi syarikat contohnya perkhidmatan dan produk, khusus untuk kumpulan yang berbeza.

Algoritma yang popular untuk melakukan analisis pengelompokan ini ialah pengelompokan K-means. Mari kita bincangkan K-means dengan lebih terperinci.

K-bermaksud Pengelompokan

K-means clustering ialah salah satu algoritma pembelajaran tanpa pengawasan yang popular dan paling mudah.

K-means ialah algoritma berasaskan centroid, di mana kita mengira jarak titik yang diberikan dari centroid untuk menetapkan titik kepada gugusan. Dalam K-Means, setiap kelompok dikaitkan dengan centroid.

Algoritma ini berfungsi seperti berikut:

  1. Mula-mula mulakan k mata secara rawak dipanggil bermakna
  2. Selepas itu, kategorikan setiap item kepada min terdekatnya dan kemas kini koordinat min, iaitu purata item yang dikategorikan dalam min itu setakat ini.
  3. Ulangi langkah ini untuk bilangan lelaran tertentu dan selepas bilangan lelaran yang diberikan, kami mempunyai kelompok kami.
pembelajaran mesin

Rajah:4

Algoritma Separa Seliaan

Dalam pembelajaran diselia, kami telah melihat bahawa set data perlu dilabel secara manual oleh manusia. Proses ini sangat mahal kerana volum dataset adalah sangat besar. Dalam pembelajaran tanpa seliaan, set data berlabel tidak diperlukan tetapi spektrum aplikasinya terhad.

Untuk menangani batasan ini, konsep pembelajaran separa penyeliaan diperkenalkan. Dalam gaya pembelajaran ini, algoritma dilatih dengan gabungan sejumlah kecil data berlabel dan sejumlah besar data tidak berlabel. Pembelajaran separuh penyeliaan terletak di antara pembelajaran diselia dan pembelajaran tanpa penyeliaan.

Untuk menggunakan sebarang data yang tidak berlabel, algoritma Separa Diawasi menganggap hubungan berikut tentang data -

    Kesinambungan :Ia menganggap bahawa titik yang lebih dekat antara satu sama lain lebih berkemungkinan berkongsi label keluaran yang sama.Kluster :Jika data boleh dibahagikan kepada kelompok diskret maka titik dalam kelompok yang sama lebih berkemungkinan berkongsi label.Manifold:Data terletak kira-kira pada manifold dengan dimensi yang jauh lebih rendah daripada ruang input. Andaian ini membenarkan penggunaan jarak dan ketumpatan yang ditakrifkan pada a manifold .

Kita boleh memahami tiga jenis gaya pembelajaran ini iaitu pembelajaran diselia, pembelajaran tanpa penyeliaan, dan pembelajaran separa penyeliaan dengan mengaitkan dengan dunia sebenar.

Pembelajaran terselia di mana pelajar berada di bawah seliaan guru. Dalam pembelajaran tanpa pengawasan di mana seseorang pelajar perlu memikirkan sesuatu konsep itu sendiri. Pembelajaran Separa Penyeliaan di mana seorang guru mengajar beberapa konsep di dalam kelas dan memberikan soalan sebagai kerja rumah yang berdasarkan konsep yang sama.

Pembelajaran Pengukuhan

Pembelajaran pengukuhan ialah pembelajaran dengan berinteraksi dengan persekitaran. Proses pembelajaran melibatkan aktor, persekitaran, dan isyarat ganjaran. Pelakon memilih untuk mengambil tindakan dalam persekitaran yang mana pelakon itu diberi ganjaran sewajarnya. Di sini output sistem adalah urutan tindakan.

Dalam kes sedemikian, satu tindakan tidak penting, di sini urutan tindakan pembetulan untuk mencapai matlamat adalah penting. Ini juga dipanggil polisi. Pelakon itu mahu meningkatkan ganjaran yang diterima dan oleh itu ia mesti mempelajari dasar yang optimum dan baik untuk berinteraksi dengan alam sekitar. Contoh yang baik ialah permainan. Dalam permainan, satu gerakan dengan sendirinya tidak penting, ia memerlukan urutan pergerakan yang betul yang baik (iaitu gerakan membawa kepada kemenangan)

Persediaan Pembelajaran Pengukuhan

Rajah 5: Persediaan Pembelajaran Pengukuhan

`Pembelajaran pengukuhan sangat berbeza dengan jenis pembelajaran lain yang telah kami bincangkan setakat ini. Seperti yang telah kita lihat dalam pembelajaran yang diselia, kita diberi data dan label dan ditugaskan untuk meramalkan output yang diberikan data. Dalam pembelajaran tanpa pengawasan, kami hanya diberi data dan ditugaskan untuk mencari struktur asas dalam data. Dalam pengukuhan, kami tidak diberi data mahupun label.

Aplikasi pembelajaran pengukuhan ialah

  1. kereta pandu sendiri
  2. Kawalan motor robotik
  3. Kawalan penghawa dingin
  4. Pengoptimuman penempatan iklan
  5. Strategi dagangan pasaran saham
  6. Bermain permainan

Pembelajaran Mendalam

Apabila kita menganalisis imej kereta, maka piksel individu dalam imej kereta merah adalah sangat hampir dengan hitam pada waktu malam. Contoh ini mungkin memberi anda cerapan tentang kesukaran yang dihadapi oleh banyak aplikasi Pintar Buatan. Amat sukar untuk mengekstrak ciri tahap tinggi dan abstrak itu kerana ia memerlukan pemahaman peringkat manusia.

Pembelajaran Dalam menangani masalah ini dengan membuat ciri yang kompleks daripada yang mudah. Contoh paling asas bagi model pembelajaran mendalam ialah Multilayer Perceptron. Multilayer Perceptron hanyalah fungsi matematik memetakan nilai input kepada nilai output. Fungsi ini terdiri daripada banyak fungsi yang lebih mudah.

Pembelajaran mendalam ialah sejenis pembelajaran mesin tertentu yang mencapai kuasa dan fleksibiliti yang hebat dengan mewakili dunia sebagai hierarki konsep bersarang. Setiap konsep ditakrifkan berhubung dengan konsep yang lebih mudah, dan perwakilan yang lebih abstrak dikira dari segi yang kurang abstrak.

Algoritma pembelajaran mendalam seperti Rangkaian Neural Dalam, Rangkaian kepercayaan mendalam, Rangkaian Neural Konvolusi, Rangkaian Neural Berulang telah digunakan pada bidang termasuk penglihatan komputer, pengecaman pertuturan, pemprosesan bahasa semula jadi dan banyak lagi.

Rangkaian Neural Dalam

Rangkaian Neural Dalam diilhamkan oleh fungsi otak manusia dan cara ia berfungsi. Blok binaan asas rangkaian saraf dalam ialah nod. Nod adalah seperti neuron otak manusia. Apabila rangsangan memukul mereka, satu proses berlaku dalam nod. Secara amnya, nod dikumpulkan ke dalam lapisan seperti yang ditunjukkan dalam Rajah 6.

Rangkaian Neural Dalam

Rajah 6 : Rangkaian Neural Dalam

Terdapat pelbagai jenis rangkaian saraf dalam dan perbezaan di antaranya terletak pada prinsip kerjanya, skema tindakan dan bidang aplikasinya.

    Rangkaian Neural Konvolusi (CNN): Ia kebanyakannya digunakan untuk pengecaman imej kerana tidak perlu menyemak semua piksel satu demi satu. CNN terdiri daripada lapisan input, lapisan output dan lapisan tersembunyi. Lapisan tersembunyi biasanya terdiri daripada lapisan konvolusi, lapisan pengumpulan dan lapisan bersambung sepenuhnya. Lapisan konvolusi dan gabungan maksimum bertindak sebagai pengekstrak ciri dan lapisan bersambung sepenuhnya yang melakukan transformasi bukan linear bagi ciri yang diekstrak dan bertindak sebagai pengelas. Lapisan konvolusi menggunakan operasi lilitan pada input. Lapisan pengumpulan digunakan serta-merta selepas lapisan konvolusi untuk mengurangkan saiz ruang (hanya lebar dan tinggi, bukan kedalaman). Ini mengurangkan bilangan parameter dan oleh itu pengiraan dikurangkan serta membantu menjadikan pengesan ciri lebih invarian kepada kedudukannya dalam input. Mudah untuk memahami operasi lilitan dengan animasi ini
pembelajaran mesin
    Rangkaian Neural Berulang (RNN):Rangkaian saraf berulang ialah kelas rangkaian saraf yang membenarkan output sebelumnya digunakan sebagai input kepada model. Ia mula diperkenalkan pada tahun 1980-an. RNN berbeza daripada rangkaian neural suapan ke hadapan kerana ia memanfaatkan jenis rangkaian saraf khas, yang dikenali sebagai lapisan berulang. Idea utama di sebalik Rangkaian Neural Berulang adalah untuk menggunakan maklumat berurutan. Dalam rangkaian neural tradisional seperti CNN, kami telah mengandaikan bahawa semua input dan output adalah bebas antara satu sama lain. Tetapi untuk banyak tugas yang bukan idea yang baik untuk menganggap ini. Katakan, Jika kita ingin meramal perkataan seterusnya dalam ayat maka adalah lebih baik untuk mengetahui perkataan mana yang datang sebelum itu. RNN dipanggil berulang kerana mereka melakukan tugas yang sama untuk setiap elemen urutan, dengan output bergantung pada pengiraan sebelumnya. Dengan kata mudah, RNN mempunyai memori yang menangkap maklumat tentang perkara yang telah dikira setakat ini. Secara teori, RNN dapat menggunakan maklumat dalam urutan yang panjang, tetapi dalam praktiknya, mereka terhad untuk melihat ke belakang hanya beberapa langkah.
Lihat juga Bolehkah iPhone Mendapat Virus: Cara Menyemak Dan Membuang Virus

Mari lihat hubungan antara AI, Pembelajaran Mesin dan Pembelajaran Dalam menggunakan Rajah Venn

pembelajaran mesin

Rajah 7 : Rajah ini menunjukkan hubungan antara Pembelajaran Dalam, Pembelajaran Mesin dan Kepintaran Buatan.

Aplikasi Kepintaran Buatan

Terdapat banyak bidang yang berbeza di mana AI digunakan. Bidang tersebut termasuk Pemasaran, Perbankan, Kewangan, Pertanian, Penjagaan Kesihatan, Permainan, Penerokaan Angkasa Lepas, Kenderaan Autonomi, chatbots, Kreativiti Buatan, dsb.

Mari terokai bidang Pemasaran dan Perbankan.

Pemasaran

Pada hari-hari awal (apabila AI tidak dalam aplikasi. Ia hanya wujud dalam buku), jika kita ingin membeli beberapa produk dari kedai dalam talian maka kita perlu mencari produk dengan nama tepatnya. Oleh itu, sangat sukar untuk mencari produk jika kita tidak mengetahui nama sebenar produk tersebut.

Tetapi pada masa kini apabila kami mencari sebarang item di mana-mana kedai eCommerce, kami mendapat semua kemungkinan hasil yang berkaitan dengan item tersebut. Kami tidak perlu risau tentang ejaan atau nama produk yang tepat untuk mencari produk. Contoh lain ialah mencari filem yang betul di Netflix.

Aplikasi ini tidak terhad kepada mencari produk yang betul. Kemajuan AI dapat mengesyorkan produk berdasarkan minat anda dengan menganalisis transaksi masa lalu anda dan rasa membeli sesuatu. Menurut data ini, AI dapat mengetahui jenis produk yang berkaitan dengan anda dan berdasarkan itu ia akan menapis produk dan mengesyorkannya kepada anda.

Dengan cara ini, AI memainkan peranan utama dalam memasarkan dan meningkatkan jualan dalam talian produk dan oleh itu syarikat e-dagang seperti Flipkart, Amazon , atau syarikat seperti Netflix memanfaatkan kuasa AI untuk menjual produk mereka dengan sangat mudah dan mengaut keuntungan.

Perbankan

Dalam bidang perbankan, sistem AI berkembang lebih pantas. Banyak bank telah menggunakan sistem AI untuk menyediakan pelbagai perkhidmatan seperti sokongan pelanggan, pengesanan anomali, penipuan kad kredit.

Mari kita ambil contoh bank HDFC. Mereka telah membangunkan chatbot berasaskan AI yang dipanggil Pembantu Maya Elektronik (EVA). Chatbot ini telah menangani lebih 3 juta pertanyaan pelanggan. Eva boleh memberikan jawapan mudah dalam masa kurang daripada 0.4 saat. Bank of America mempunyai nama chatbot mereka Erica. American Express menggunakan bot sembang AmEX mereka untuk memanfaatkan pelanggan mereka.

MasterCard dan RBS WorldPay telah menggunakan AI dan pembelajaran mendalam untuk mengesan transaksi penipuan dan mencegah penipuan kad. Sistem AI ini menjimatkan berjuta-juta dolar. Algoritma pengesanan penipuan berasaskan AI adalah lebih tepat untuk mengesan penipuan dengan ketepatan lebih daripada 95%. Mereka mempunyai keupayaan untuk menyesuaikan diri dengan cepat untuk mengesan percubaan baharu penipuan dalam masa nyata.

Aplikasi AI yang paling penting dalam perbankan ialah pengurusan risiko kerana anggaran menunjukkan bahawa secara purata kerugian peniaga akibat serangan penipuan ialah 1.5% daripada hasil tahunan mereka. JPMorgan juga mula menggunakan teknik AI untuk membangunkan sistem amaran awal yang mengesan perisian hasad, Trojan dan Virus. Sistem pengesanan ini didakwa mengenal pasti tingkah laku yang mencurigakan lama sebelum e-mel penipuan sebenarnya dihantar kepada pekerja.

Artikel yang Disyorkan

  • Apa Itu Unsecapp.Exe Dan Adakah Ia SelamatApakah Unsecapp.exe Dan Adakah Ia Selamat?
  • 15 Alat Dan Perisian Diagram UML Terbaik15 Alat Dan Perisian Diagram UML Terbaik
  • [DIBETUL] Windows Tidak Dapat Mengakses Ralat Peranti, Laluan atau Fail yang Ditentukan[DIBETUL] Windows Tidak Dapat Mengakses Ralat Peranti, Laluan atau Fail yang Ditentukan
  • 16 Pembetulan Untuk Kemas Kini Windows Tidak Berfungsi Dalam Windows16 Pembetulan Untuk Kemas Kini Windows Tidak Berfungsi Dalam Windows
  • 4 Pembetulan Untuk Tetapan AMD Radeon Dimenangi4 Pembetulan Untuk Tetapan AMD Radeon Tidak Akan Dibuka
  • Alat Tangkapan Skrin Zum: Petua Dan TrikAlat Tangkapan Skrin Zum: Petua Dan Trik