機器學習的7個真實世界生產案例

banq 發表於 2022-01-22
Machine Learning

如今,機器學習演算法適用於各個領域,包括一些最常見的問題。例如,與網際網路相關的領域,如資料探勘、內容過濾和產品推薦。

根據 Statista,2021 年 AI & ML 最廣泛的應用在於提升客戶體驗,普及率為57%。緊隨其後的是“產生客戶洞察”,獲得 50% 的青睞。

人工智慧和機器學習仍然位居全球最具顛覆性技術之首。此外,隨著新的和創新的應用程式,我們正在見證這些技術的大規模採用。

讓我們來看看當今社會機器學習應用的七個驚人的真例項子。

 

1) 亞馬遜使用 Lex

亞馬遜在瞭解購物者想要什麼方面做得更好。該公司在 2017 年推出了一項名為 Amazon Lex 的新服務。它使用人工智慧使公司更容易將類似 Alexa 的對話介面新增到他們的應用程式和裝置中。

Lex 做了各種聰明的事情,比如理解自然語言問題、檢測響應中的情緒以及從不完整的查詢中獲取含義。現在,使用者通過 Lex 將語音控制甚至 AI 助手等智慧裝置新增到他們的產品中比以往任何時候都更加方便。

  

2) Facebook 優化內容等

Facebook 使用人工智慧來處理和分析照片、視訊和文字。Facebook 的 AI 通過檢視多個因素來分析您在時間軸上分享的每個帖子,包括您是否出現在您被標記的任何照片或視訊中。

例如,假設您在朋友新寶寶的照片中標記自己。在這種情況下,Facebook 會假設你喜歡嬰兒,因為大多數喜歡嬰兒的人有 85% 的機會也喜歡看到其他人的新嬰兒照片。

這種型別的分析有助於增強使用者體驗。例如,未來的父母會在附近找到有孩子的朋友,或者允許公司根據朋友或家人的喜好來宣傳他們的產品。

 

3)優步分析需求

優步使用機器學習來確定何時可能會有高需求,因此它可以將司機引導到這些地點並最大限度地提高供應量,同時最大限度地減少等待時間。該公司從客戶那裡收集資料——他們何時訂購汽車、他們要去哪裡、他們通常多快到達目的地等等——並根據所有這些資訊訓練演算法。

該程式預測哪些區域最有可能需要汽車並相應地安排它們。它有助於讓乘客移動並減少司機浪費的時間。這不是優步使用 AI 和 ML 的唯一方式。Uber 通過以下方式使用機器學習:

  • 有效縮小供需缺口
  • 減少總體預期到達時間
  • 為司機提供靈活的路線
  • 全球流行的超級池方法

 

4)蘋果增強影像質量 

Apple 的 iPhone 使用機器學習服務來自動檢測和聚焦照片中的人臉。例如,在拍照時,您的手機可以判斷您是否在使用伸出的手臂,並會自動進行相應調整以防止照片晃動。

iPhone 知道您如何在視訊模式下握住手機,並將切換到垂直檢視。此功能在 iPad 上也可用,因此它們更適合在沙發或辦公桌上瀏覽應用程式。

Apple 的 App Store 擁有數百個使用機器學習的應用程式;一些示例包括根據您的文字預測您喜歡的表情符號的應用程式和其他利用擴增實境的應用程式。後一種技術讓使用者可以使用他們裝置的攝像頭掃描他們的環境,以新增特殊效果和互動性——所有這些都不需要網際網路連線!

 

5) 微軟使用聊天機器人

2014 年,微軟宣佈計劃在其客戶服務流程中實施人工智慧。該公司使用會話代理,允許客戶在線上聊天視窗中輸入問題,並根據人工智慧生成的指令碼接收自動回覆。

此聊天機器人與您可能使用過的其他虛擬助手類似,但足以滿足您的客戶服務互動。如果你曾經與一個詢問你是否想要薯條的機器人進行過互動,那麼恭喜你——你已經知道機器學習如何使客戶服務受益!

 

6) 谷歌增強搜尋體驗

尋找特定問題的解決方案可以引導您走上一些有趣的道路。以谷歌為例。該公司應用其演算法來查詢與其使用者相關的內容,然後將這些結果用作其他專案中機器學習的訓練資料,包括語音搜尋和自動影像標記。

注意: Gmail、Google 搜尋和 Google 地圖早已與機器學習整合,以提供更友好的使用者體驗。

自從谷歌最初應用機器學習以來,人們已經將它作為一種工具來解決幾乎所有可以想象的挑戰。

 

7) Netflix 的電影推薦

Netflix 使用機器學習根據人們的觀看習慣推薦電影。該公司已成功實施該技術,將人們吸引到他們可以輕鬆關聯的材料中。此外,觀眾經常喜歡看它的節目,否則他們將無法找到。

大多數 Netflix 使用者不會考慮這些推薦的複雜程度——他們知道他們喜歡被告知要看什麼。然而,大量的工作在幕後進行。

 

相關文章