Перейти к контенту
Свяжитесь с нами
Чат Чат отключен
Начать чат с представителем SAP, чтобы получить помощь.
Свяжитесь с нами
Отправьте нам электронное сообщение с комментариями, вопросами или обратной связью.

Что такое
машинное обучение?

Самое простое определение машинного обучения

Технология машинного обучения обучает компьютеры выполнению задач на основе данных, а не на базе программирования.

Введение в машинное обучение

Машинное обучение использует сложные алгоритмы, чтобы «учиться» на огромных массивах больших данных. Чем больше данных доступно алгоритмам, тем лучше они обучаются. Примеров работы машинного обучения в реальной жизни сегодня множество. Вспомните о персональных рекомендациях продуктов на Amazon, распознавании лиц на Facebook или мгновенно предлагаемых маршрутах на Google Картах. 

Что такое нейронная сеть?

Нейронные сети — или искусственные нейронные сети — это тип машинного обучения на основе принципа работы нейронов в человеческом мозге. Это компьютерные программы, использующие несколько уровней узлов (или «нейронов»), работающие параллельно для изучения вещей, распознавания образов и принятия решений подобно человеку. 

Что такое глубокое обучение?

Глубокое обучение — это «глубокая» нейронная сеть, включающая в себя большое число уровней нейронов и огромный объем данных. Этот передовой тип машинного обучения способен решать сложные комплексные нелинейные проблемы. Это источник таких прорывных технологий в области ИИ, как обработка естественного языка, персональные «цифровые помощники» и автоматически управляемые автомобили. 

Контролируемое и неконтролируемое обучение

Алгоритмы контролируемого обучения обучаются на данных, содержащих правильные ответы. Они формируют модели, сопоставляющие данные с ответами, и затем используют эти модели для дальнейшей обработки. Неконтролируемые алгоритмы обучаются на данных без указанных правильных ответов. Они используют для повышения уровня обучения различные большие наборы данных. 

Основы и наилучшие методики машинного обучения для бизнеса

Пять лекций по машинному обучению от новаторов

Какие пять основных качеств характеризуют лидеров в сфере машинного обучения? Новаторы используют эту технологию для значительного повышения эффективности работы бизнес-подразделений — от управления кадрами и финансового отдела до маркетинговой и логистической служб.

Преимущества машинного обучения для бизнеса

Ускорение принятия решений

Алгоритмы машинного обучения способны определять приоритеты и автоматизировать принятие решений. Они также могут указывать на возможности и подсказывать действия, которые нужно предпринять немедленно, чтобы добиться наилучшего результата.

Способность к адаптации

Искусственный интеллект не просто анализирует исторические данные. Он способен обрабатывать вводимую информацию в реальном времени и корректировать результаты обработки на лету. Вспомните об автомобилях, которые автоматически останавливаются перед бампером другого транспортного средства.

Алгоритмический бизнес

«Алгоритмический бизнес» использует сложные алгоритмы машинного обучения для достижения высокого уровня автоматизации. В результате появляются новые бизнес-модели, продукты и услуги.

Более глубокая аналитика

Машинное обучение может анализировать большие, сложные и потоковые данные и находить в них ценную информацию, включая прогнозную, на что не способен человеческий интеллект. По результатам анализа могут автоматически запускаться соответствующие операции.

Эффективность

Интеллектуальные бизнес-процессы на базе машинного обучения способны значительно повысить эффективность. Составляйте точные планы и прогнозы, автоматизируйте задачи, сокращайте затраты и устраняйте ошибки, связанные с «человеческим фактором».

Оптимизация результатов

От запуска «умных» операций на основе анализа новых возможностей и рисков до точного прогноза результатов решения еще до его принятия — машинное обучение способно обеспечить совершенно новый уровень результативности бизнеса.

Варианты использования машинного обучения в ключевых секторах

Многие отрасли и направления бизнеса готовы к применению машинного обучения, особенно это актуально для тех областей, в которых аккумулируются большие объемы данных. Вот три ведущих сектора:

Производство

В производственной сфере накапливается огромный объем данных с датчиков на заводах и из Интернета вещей, которые прекрасно подходят для машинного обучения. Алгоритмы машинного распознавания образов и обнаружения отклонений используются при контроле качества, ряд других алгоритмов — в самых разных сферах, от диагностического обслуживания и прогнозирования спроса до предложения новых услуг. 

Финансы

Финансы — одна из самых подходящих областей для применения машинного обучения, если принять во внимание огромное количество финансовых данных и исторических записей. Алгоритмы используются для торговли ценными бумагами, утверждения кредитов, обнаружения мошенничества, оценки рисков и андеррайтинга в страховании. Они применяются даже для «роботизированного консультирования» клиентов и согласования портфелей с целями пользователей. 

Здравоохранение

Алгоритмы машинного обучения способны обрабатывать больше данных и выявлять больше закономерностей, чем любая команда исследователей или врачей. От анализа медицинских изображений и раннего обнаружения онкологических заболеваний до разработки лекарств и роботизированной хирургии — возможности машинного обучения безграничны. 

Исследования в области машинного обучения

SAP сотрудничает с ведущими университетами с целью расширить использование машинного обучения в бизнесе.

Мы сформировали глобальную партнерскую сеть, в которую входят такие ведущие исследовательские центры, как Массачусетский технологический институт (MIT), Стэнфордский, Нью-Йоркский и Амстердамский университеты. Задачей партнерства является изучение будущего машинного обучения и расширение сферы его использования в бизнесе. Благодаря такому сотрудничеству мы выделили ряд тем для исследований в области машинного обучения и работаем над решением открытых проблем ИИ в целом ряде отраслей. Богатый накопленный опыт позволяет идти в ногу с последними тенденциями в машинном обучении и разрабатывать новые технологии в контексте решений SAP.

Курсы по машинному обучению

Изучите наши курсы и учебные материалы по машинному обучению, которые разработаны как для начинающих, так и для разработчиков.

Корпоративное машинное обучение — краткий обзор

Не знаете точно, как использовать машинное обучение в контексте вашего бизнеса? На этом онлайн-курсе openSAP вы пройдете все этапы от определения вариантов использования до создания прототипов.

Методы глубокого обучения и проектирование систем

Этот курс более сложного уровня от Google Udacity посвящен глубокому обучению и расскажет вам, как проектировать интеллектуальные системы, обучаемые на больших наборах данных. 

Корпоративное глубокое обучение с TensorFlow

Пройдите практический вводный курс по глубокому обучению с использованием Google TensorFlow. Разработанный для специалистов по данным и разработчиков, этот онлайн-курс освещает формирование моделей для решения проблем предприятия.

Будьте в курсе последних тенденций в сфере машинного обучения

Сьюзен Галер (Susan Galer)
Маркетинговая стратегия и идейное лидерство
SAP

Как стать «умным» предприятием

Интеллектуальное оборудование, работающее в отдельных бизнес-подразделениях, — не новинка. Что действительно впечатляет, так это внедрение ИИ в масштабах всей компании для получения гораздо более значительных преимуществ.

Дэн Уэллерс (Dan Wellers)
Основатель и руководитель направления Digital Futures
SAP

Человеческая сторона машинного обучения

Многие эксперты прогнозировали, что машинное обучение приведет к массовым увольнениям. Но что на самом деле? Результаты недавнего исследования показывают, что в будущем будут крайне необходимы высококвалифицированные специалисты.

Пол Тейлор (Paul Taylor)
Главный корреспондент и ведущий колонки
SAP

Машинное обучение в реальном мире

За исключением Google и Facebook, малые и крупные предприятия, активно внедряющие машинное обучение, мало кому известны. Подробнее о внедрении машинного обучения.

Наверх