Veelvoorkomende gebruiksscenario's voor machine learning

Hoewel er talloze gebruiksscenario's zijn voor machine learning, hebben experts de volgende twaalf benadrukt als de belangrijkste toepassingen van machine learning in het hedendaagse bedrijfsleven.

1. chatbots

De meerderheid van de mensen heeft op het werk directe interactie gehad met machine learning in de vorm van chatbots.

Deze softwareprogramma's, met de toepasselijke naam, maken gebruik van machinaal leren en natuurlijke taalverwerking (NLP) om menselijke gesprekken na te bootsen. Ze werken met voorgeprogrammeerde scripts om individuen te betrekken en op hun vragen te reageren door toegang te krijgen tot bedrijfsdatabases om antwoorden op die vragen te geven.

Vroege generaties chatbots volgden scriptregels die de bots vertelden welke acties ze moesten ondernemen op basis van trefwoorden. ML zorgt er echter voor dat chatbots interactiever en productiever kunnen zijn, en daardoor beter kunnen inspelen op de behoeften van een gebruiker, nauwkeuriger kunnen reageren en uiteindelijk menselijker kunnen zijn in de gesprekken.

Digitale assistenten zoals Siri van Apple en Alexa van Amazon zijn alledaagse voorbeelden van chatbots, net als de chatbots die tegenwoordig het eerste aanspreekpunt vormen voor de meeste callcenters van klanten.

2. Aanbevelingsmotoren

Machine learning is ook een machtsmiddel aanbeveling motoren, die het meest worden gebruikt in online winkels en streamingdiensten.

Hier verwerken algoritmen gegevens – zoals de eerdere aankopen van een klant, samen met gegevens over de huidige voorraad van een bedrijf en de koopgeschiedenis van andere klanten – om te bepalen welke producten of diensten klanten moeten worden aanbevolen.

Aanbevelingsmotoren laat bedrijven de ervaring van een klant personaliseren, dat helpt bij het behouden van klanten en bedrijven in staat stelt hun omzet te vergroten door producten en diensten aan te bieden die nauwkeuriger aansluiten bij wat elke klant leuk vindt en wil.

"Die aanbevelingsmachine profileert je en zegt: 'Mensen zoals jij hebben deze andere dingen gekocht', en dus koop je ze uiteindelijk ook", legt Rod Fontecilla, chief innovation officer bij managementadvies- en digitale dienstenbedrijf Guidehouse uit.

3. Dynamische prijsstelling

Machine learning zorgt er ook voor dat bedrijven de prijzen die ze in rekening brengen voor producten en diensten vrijwel in realtime kunnen aanpassen op basis van veranderende marktomstandigheden, een praktijk die bekend staat als dynamisch prijzen.

“Je kijkt naar consumentengedrag en kooppatronen om je prijzen op en neer te bewegen; het is een zeer waardevol gebruik van machine learning voor bedrijven”, zegt Vikas Agarwal, leider op het gebied van risico's en regelgeving op het gebied van financiële dienstverlening bij professionele dienstverlener PwC.

Machine learning-systemen maken doorgaans gebruik van talrijke datasets, zoals macro-economische gegevens en gegevens van sociale media, om prijzen vast te stellen en opnieuw in te stellen. Dit wordt vaak gedaan voor vliegtickets, hotelkamertarieven en tarieven voor het delen van ritten. De surge pricing van Uber, waarbij prijzen stijgen als de vraag stijgt, is een prominent voorbeeld van hoe bedrijven dit doen gebruik ML-algoritmen om de prijzen aan te passen als de omstandigheden veranderen.

4. Modellering van klantenverloop, klantsegmentatie, gerichte marketing- en verkoopprognoses

In veel organisaties zijn verkoop- en marketingteams de meest productieve gebruikers van machine learning, omdat de technologie een groot deel van hun dagelijkse activiteiten ondersteunt. De ML-mogelijkheden zijn doorgaans ingebouwd in de bedrijfssoftware die deze afdelingen ondersteunt, zoals Klantrelatie management systemen.

Zozeer zelfs dat “dit tafelinzetten zijn geworden”, zei Gross. “En als je deze niet gebruikt, loop je waarschijnlijk achter op de concurrentie.”

Machine learning ondersteunt meerdere marketingactiviteiten.

Ten eerste is er klantverloop modellering, waarbij machinaal leren wordt gebruikt om te identificeren welke klanten het bedrijf zouden kunnen verzuren, wanneer dat zou kunnen gebeuren en hoe die situatie zou kunnen worden omgedraaid. Om dat te doen, lokaliseren algoritmen patronen in enorme hoeveelheden historische, demografische en verkoopgegevens om te identificeren en te begrijpen waarom een ​​bedrijf klanten verliest. Het bedrijf kan vervolgens machine learning-mogelijkheden gebruiken om het gedrag van bestaande klanten te analyseren om te waarschuwen welke klanten het risico lopen hun bedrijf ergens anders naartoe te brengen, de redenen te identificeren waarom ze weggaan en vervolgens te bepalen welke stappen moeten worden genomen om ze te behouden. “Zie het als een aanbevelingsmotor die is gebouwd voor de detailhandel”, zegt Masood.

Ook bedrijven maken gebruik van machine learning klantsegmentatie, een bedrijfspraktijk waarbij bedrijven klanten in specifieke segmenten indelen op basis van gemeenschappelijke kenmerken zoals vergelijkbare leeftijden, inkomens of opleidingsniveaus. Hierdoor kunnen marketing en sales hun diensten, producten, advertenties en berichten afstemmen op elk segment.

Bovendien ondersteunt machine learning de verkoop door klanten te helpen de optimale prijzen voor hun producten te bepalen en ervoor te zorgen dat ze de juiste producten en diensten op het juiste moment in de juiste gebieden leveren door middel van voorspellende voorraadplanning en klantsegmentatie. Retailers gebruiken bijvoorbeeld machine learning om te voorspellen welke voorraad het beste zal verkopen in welke van hun winkels, op basis van seizoensfactoren die van invloed zijn op een bepaalde winkel, de demografie van die regio, wat er populair is op sociale media en andere datapunten, legt Masood uit.

5. Fraude detectie

Een ander prominent gebruik van machinaal leren in het bedrijfsleven is fraudedetectie. vooral in de bancaire en financiële dienstverlening, waar instellingen het gebruiken om klanten te waarschuwen voor mogelijk frauduleus gebruik van hun creditcards en betaalkaarten.

Het vermogen van machine learning om patronen te begrijpen, en meteen afwijkingen zien die buiten deze patronen vallen, maakt deze technologie tot een waardevol hulpmiddel voor het opsporen van frauduleuze activiteiten.

Zo werkt het: datawetenschappers gebruiken machine learning om het typische gedrag van een individuele klant te begrijpen, zoals wanneer en waar de klant een creditcard gebruikt. Machine learning gebruikt die informatie samen met andere gegevens om in slechts enkele milliseconden nauwkeurig te bepalen welke transacties binnen het normale bereik vallen en daarom legitiem zijn, en welke transacties buiten de verwachte normen vallen en daarom waarschijnlijk frauduleus zijn.

Hoewel deze toepassing van machine learning het meest voorkomt in de financiële dienstverlening, zijn reisinstellingen, gamingbedrijven en retailers ook grote gebruikers van machine learning voor fraudedetectie.

6. Detectie van cyberdreigingen

Het vermogen van machine learning om complexe patronen binnen grote hoeveelheden activiteiten te analyseren om zowel normaal gedrag te bepalen als afwijkingen te identificeren, maakt het ook een krachtig hulpmiddel voor het detecteren van cyberdreigingen.

Bovendien zorgt het leervermogen ervoor dat het inzicht in de informatietechnologieomgeving, het netwerkverkeer en de gebruikspatronen van een organisatie voortdurend wordt verfijnd. Dus zelfs als de IT-omgeving zich uitbreidt en cyberaanvallen in aantal en complexiteit toenemen, kunnen ML-algoritmen voortdurend het vermogen verbeteren om ongebruikelijke activiteiten te detecteren die op een inbraak of bedreiging kunnen duiden.

7. optimalisatie

Een ander gebruiksscenario dat sectoren en bedrijfsfuncties doorkruist, is de gebruik van specifieke machine learning-algoritmen om processen te optimaliseren. Bedrijven kunnen de algoritmen gegevens laten analyseren en simulaties uitvoeren om optimale of bijna optimale oplossingen te bepalen, of ze kunnen algoritmen gebruiken om de beste acties aan te bieden: voorspellingen en aanbevelingen waarvan de technologie heeft vastgesteld dat ze tot het beste resultaat zullen leiden.

Managementadviseurs zeiden dat ze ML voor optimalisatie zien gebruikt op alle gebieden van de bedrijfsactiviteiten, van financiën tot softwareontwikkeling, waarbij de technologie het werk versnelt en menselijke fouten vermindert.

Ze merkten verder op dat het gebruik ervan in de logistiek, productie en toeleveringsketen bijzonder grote voordelen heeft opgeleverd.

“Het is specifiek aangetoond dat machine learning en grafische machine learning-technieken deze netwerken als geheel dramatisch verbeteren. Ze optimaliseren de activiteiten en vergroten tegelijkertijd de veerkracht”, aldus Gross.

8. Beslissingsondersteuning

Organisaties gebruiken machine learning ook om hen te helpen betere beslissingen te nemen.

Voor zijn onderzoek vroeg Rackspace respondenten welke voordelen zij verwachten te zien van hun AI- en ML-initiatieven. Verbeterde besluitvorming staat op de vierde plaats na verbeterde innovatie, lagere kosten en verbeterde prestaties.

Deskundigen merkten op dat een beslissingsondersteunend systeem (DSS) ook kan helpen de kosten te verlagen en de prestaties te verbeteren door ervoor te zorgen dat werknemers de beste beslissingen nemen.

Om de besluitvorming te ondersteunen, worden ML-algoritmen getraind op historische en andere relevante datasets, waardoor ze vervolgens nieuwe informatie kunnen analyseren en meerdere mogelijke scenario's kunnen doorlopen op een schaal en snelheid die voor mensen onmogelijk te evenaren zijn. De algoritmen bieden vervolgens aanbevelingen over de beste handelwijze.

In de gezondheidszorg kan een DSS artsen helpen bij het diagnosticeren van patiënten, het lezen en interpreteren van medische beeldvorming en diagnostische scans, en het ontwikkelen van behandelingsopties.

In de landbouw integreren beslissingsondersteunende instrumenten op basis van machinaal leren gegevens over klimaat, energie, water, hulpbronnen en andere elementen boeren begeleiden bij hun gewasbeheerbeslissingen.

In de bedrijfsvoering kan een DSS managementteams helpen bij het anticiperen op trends, het identificeren van problemen en het versnellen van beslissingen.

9. Voorspellend onderhoud

Het aandrijven van voorspellend onderhoud is een ander al lang bestaand gebruik van machine learning, aldus Gross.

Machine learning-systemen van bedrijven halen gegevens uit talloze uiteenlopende bronnen: historische operationele gegevens, prestatiegegevens afkomstig van IoT-apparaten, supply chain-gegevens en marktvoorspellingsinformatie — om het optimale tijdstip voor het uitvoeren van onderhoud aan apparatuur te voorspellen.

Voorspellend onderhoud verschilt van preventief onderhoud doordat voorspellend onderhoud op basis van meerdere factoren precies kan identificeren welk onderhoud op welk tijdstip moet worden uitgevoerd. Het kan bijvoorbeeld rekening houden met de marktomstandigheden en de beschikbaarheid van werknemers om het optimale tijdstip voor het uitvoeren van onderhoud te bepalen.

Dit minimaliseert het effect van eventuele stilstand van de apparatuur en maximaliseert de investeringen in de apparatuur door geen onnodig onderhoud of onnodig werk vroeg in de levenscyclus van de apparatuur te plannen.

Vliegtuigmaatschappijen, boeren, mijnbouwbedrijven en transportbedrijven gebruiken allemaal ML voor voorspellend onderhoud, aldus Gross.

Ondertussen gebruiken sommige bedrijven voorspellend onderhoud om nieuwe diensten te creëren, bijvoorbeeld door voorspellende onderhoudsplanningsdiensten aan te bieden aan klanten die hun apparatuur kopen.

10. Monitoring en kwaliteitsborging

Het vermogen van machinaal leren om patronen in gegevens te begrijpen en te onderscheiden op een schaal, snelheid en niveau die ongeëvenaard is voor mensen, maakt de technologie bijzonder nuttig voor het monitoren van behoeften en kwaliteitsborging, zegt Nicolas Avila, CTO voor Noord-Amerika bij IT-dienstenbedrijf Globant.

Als voorbeeld noemde hij het gebruik van machine learning om supply chain-operaties te monitoren, waarbij de technologie voortdurend patronen analyseert om alles te identificeren dat afwijkt van de normale parameters en dus een probleem zou kunnen aangeven dat aandacht behoeft.

“Het kan alles onder de aandacht brengen wat niet klopt”, zegt Avila.

Ondertussen kunnen ML-technologietypes zoals deep learning, neurale netwerken en computer vision worden gebruikt om productielijnen en andere output op de werkplek effectiever en efficiënter te monitoren. ervoor zorgen dat producten voldoen aan de vastgestelde kwaliteitsnormen.

11. Sentimentanalyse

Met sentimentanalyse scannen en analyseren machine learning-modellen de menselijke taal om te bepalen of de getoonde emotionele toon positief, negatief of neutraal is. ML-modellen kunnen ook worden geprogrammeerd om het sentiment op een schaal te beoordelen, bijvoorbeeld van 1 tot 5.

Bedrijven vaak gebruik tools voor sentimentanalyse om de tekst van klantrecensies te analyseren en de emoties te evalueren die klanten vertonen in hun interacties met het bedrijf.

Sentimentanalyse zorgt er ook voor dat bedrijven beter kunnen reageren op de behoeften van klanten, aldus Fontecilla.

Het gebruik van sentimentanalyse in een callcenter kan bijvoorbeeld helpen de toon van een klant te identificeren en die analyse te delen met andere systemen (zoals een chatbot of de DSS van een menselijke agent) om reacties of aanbevolen scripts aan te passen op basis van die emoties.

12. Informatie-extractie

Systemen voor het ophalen en extraheren van informatie – gebouwd met behulp van ML-technologieën zoals NLP, optische karakterherkenning en intelligente karakterherkenning – identificeren automatisch belangrijke stukjes gestructureerde gegevens uit documenten, zelfs als de informatie in ongestructureerde of semi-gestructureerde formaten wordt bewaard.

De technologie kan ook worden gebruikt met spraak-naar-tekst-processen, zei Fontecilla.

Dit gebruik van machine learning zorgt voor meer efficiëntie en verbeterde nauwkeurigheid bij de documentatieverwerking. Het bevrijdt ook menselijk talent van wat vaak alledaags en repetitief werk kan zijn.