Мы все знаем о технологическом гиганте Amazon Inc.. Это американская многонациональная технологическая компания, основанная Джеффом Безосом, которая занимается электронной коммерцией, облачными вычислениями, цифровой потоковой передачей и искусственным интеллектом. Она считается одной из компаний Большой пятерки в индустрии информационных технологий, наряду с Google, Apple, Microsoft и Facebook. Amazon также называют «самым ценным брендом». Amazon также предоставляет услугу облачных вычислений под названием «Amazon Web Service». Он реализовал несколько технологий для совместной работы, чтобы пользователь получил беспроблемный опыт. За кулисами предоставления удобного пользовательского интерфейса одной из ключевых концепций, используемых Amazon, является Машинное обучение.

Что такое машинное обучение (ML)?

Когда я погуглил о машинном обучении, я буквально испугался используемой там жесткой лексики. Но здесь я постараюсь объяснить машинное обучение максимально простым языком. Таким образом, «Машинное обучение является частью искусственного интеллекта, это концепция, с помощью которой мы обучаем наши компьютерные системы, т.е. мы пытаемся наделить компьютерную систему интеллектом, чтобы она также могла оценивать и прогнозировать футуристические данные.

Чтобы объяснить это, я приведу вам небольшой пример, чтобы вам было легко связать и понять исторические данные, футуристические данные и т. д. Пример:

Я думаю, вы смогли легко найти значение, равное «80», верно? Сумасшествие заключается в том, что концепция или алгоритм (шаги), которые вы только что использовали, чтобы найти ответ, известны как термин 'Интеллект', вы использовали не что иное, как простую математику. , ваш мозг и данные, которые уже были в таблице, чтобы узнать ответ. Ответ, который вы дали, т. е. «80», без предоставления вам, известен как Футуристические данные, а таблица, которую вы использовали (в своем подсознании) для поиска ответа, известна как Исторические данные. И когда мы встраиваем этот интеллект в компьютерную систему или машину, используя некоторые программы и исторические данные, мы на самом деле заставляем нашу машину изучать эти концепции, чтобы она также стала способна предсказывать будущие данные. Этот процесс обучения машины этим вещам известен как Машинное обучение.

Machine Learning uses a very great concept known as LinearRegression().

Он использует очень простую формулу: y = b + c*x, где y – целевая переменная, b – данные смещения, c – коэффициент, а x – предиктор.

Вы можете подумать, что это было так просто, тогда зачем нам нужен компьютер, чтобы изучать эти понятия? Так что ответ на этот вопрос довольно прост, в реальном мире мы используем машинное обучение, чтобы предсказывать многие сложные вещи, которые человеческий разум каким-то образом способен найти решение, но это займет много времени, и здесь машина победит. Например, мы используем машинное обучение, чтобы предсказать прогноз погоды, предсказать шансы команды на победу в матче по крикету, предсказать приход муссонных ветров, предсказать количество клиентов, которые купят определенный продукт, и т. д.

Зачем нужно машинное обучение?

Прошли те времена, когда программисты говорили машине, как решить стоящую перед ней задачу. Мы живем в эпоху, когда машины решают проблемы самостоятельно, выявляя закономерности в каждом наборе данных. Анализ скрытых тенденций и закономерностей позволяет легко прогнозировать будущие проблемы и предотвращать их возникновение. Алгоритм машинного обучения обычно следует за определенным типом данных, а затем использует шаблоны, скрытые в этих данных, чтобы ответить на другие вопросы.

«Алгоритм человеческого и машинного обучения может только предсказывать будущие данные, но никогда не гарантирует, что информация будет на 100 % верной».

Давайте обсудим некоторые словари, используемые с машинным обучением и искусственным интеллектом (ML/AI).

Анализ данных против аналитики данных

Большинство народов путаются между этими двумя несколько похожими по звучанию терминами. Таким образом, наиболее важное различие между этими терминами заключается в том, что когда мы выполняем определенные операции с нашими историческими данными или набором данных, такие как сумма, разница, минимум, максимум и т. д., тогда это называется анализом данных, а когда мы выполнить определенную операцию, позволяющую прогнозировать будущие данные, которая называется аналитикой данных. Оба термина являются частью науки о данных. Подобно этому, в ML мы также работаем с набором данных, поэтому мы можем сделать вывод, что где-то машинное обучение также является подмножеством науки о данных.

Искусственный интеллект

Искусственный интеллект (ИИ) — это отрасль компьютерных наук и технологий, которая делает упор на разработку интеллектуальных машин, мыслящих и работающих как люди. Например, распознавание речи, решение проблем, обучение и планирование и т. д. С развитием технологий мы уже так или иначе связаны с ИИ, будь то Google Assistant, Siri, Cortana или Alexa. ИИ набирает популярность более быстрыми темпами; влияет на то, как мы живем, как мы взаимодействуем, а также помогает улучшить пользовательский опыт.

Машинное обучение и ИИ — это одно и то же?

Ответ таков: нет, искусственный интеллект и машинное обучение — это не одно и то же, но они тесно связаны. Машинное обучение — это метод обучения компьютера обучению на входных данных (предоставленных ему данных), но без явного программирования для любых обстоятельств. Можно сказать, что машинное обучение помогает компьютеру достичь искусственного интеллекта.

Как Amazon использует машинное обучение и искусственный интеллект?

Несмотря на то, что Amazon выглядит так же просто, как платформа для электронной коммерции и развлечений, на самом деле Amazon очень надежен в использовании машинного обучения. От рекламы, оптимизации цепочки поставок до моделирования и оптимизации Amazon зависит от машинного обучения. Одной из основных областей, в которой Amazon применяет непрерывный ИИ, является лучшее понимание поисковых запросов своих клиентов и причин, по которым они ищут тот или иной продукт. Для компании электронной коммерции, чтобы давать релевантные рекомендации своим клиентам, важно не только знать, что искали их клиенты, но также важно понимать, почему клиент ищет продукт. Понимание контекста может помочь розничному продавцу рекомендовать дополнительные товары своим покупателям, и Amazon намерен решить эту загадку, применив ИИ к проблеме. Amazon также использует машинное обучение — чтобы решить, что, когда и как отправлять персонализированные предложения/уведомления о скидках; Эффективность продвижения; Анализ комплекса маркетинга; Прогнозирование запасов/спроса и т. д.

В сервисе Amazon есть определенные команды, которые в значительной степени зависят от машинного обучения, ниже приведены слова некоторых из сервисной группы Amazon, которые используют машинное обучение:

  • Рекламные технологии. Amazon вкладывает значительные средства в создание рекламного бизнеса мирового уровня, решая сложные задачи машинного обучения. Ежедневно мы анализируем миллиарды рекламных показов и миллионы кликов, чтобы решить различные сложные проблемы, связанные с обнаружением роботов, качеством издателей, извлечением контекста, моделированием релевантности, системами рекомендаций, прогнозированием эффективности и ценообразованием показов/кликов и многим другим.
  • Alexa Engine — помогите нам сделать Alexa персонализированным для каждого из наших клиентов. Наша миссия состоит в том, чтобы применять искусственный интеллект и машинное обучение, чтобы уменьшить когнитивную нагрузку пользователей, уменьшить трения в их повседневной деятельности и, наконец, вдохновить наших клиентов, обеспечив счастливое открытие опыта.
  • Alexa Science. Alexa — это облачный интеллектуальный агент, на котором работают Echo и другие устройства, созданные для работы с голосом. Мы команда ученых и инженеров, создающих технологию Alexa. Наша миссия состоит в том, чтобы выйти за рамки возможностей искусственного интеллекта, NLU, ML, управления диалогами, ASR, TTS и обработки аудиосигналов, чтобы обеспечить наилучшие впечатления для наших клиентов.
  • Устройства для умного дома Alexa — Alexa Smart Home обеспечивает безопасность клиентов, обнаруживая неожиданное поведение, экономя деньги за счет управления энергопотреблением и экономя время за счет изучения бытовых процедур. Наши команды изучают подходы следующего поколения для Alexa, чтобы продолжать изучать рутины пользователей и выполнять действия на основе этих рутин, возникающие в результате триггера события (например, пробуждение клиента или возвращение домой с работы). Наши ученые сосредоточатся на разработке внутреннего машинного обучения, необходимого для создания этого процесса обучения для клиентских процедур, и продолжат тестировать новые методы для улучшения этой системы.
  • Amazon JIHM. Это команда, которая только что запустила магазины и сервис Amazon Go с использованием передовой технологии Computer Vision. Эта команда продолжает расширять первоначальную модель, которую они создали, уделяя особое внимание расширенному использованию машинного обучения и повышению эффективности. Мы также рассматриваем новые идеи и концепции в области компьютерного зрения, которые помогут вывести Amazon Go на новый уровень.
  • Amazon Music. Наша команда из Сан-Франциско владеет основными цифровыми музыкальными сервисами Amazon. Наши музыкальные предложения доступны во многих странах, а наши исследовательские приложения поддерживают миссию по доставке музыки клиентам таким образом, чтобы улучшить их повседневную жизнь.
  • Amazon Rekognition. Amazon Rekognition — это служба распознавания изображений на основе глубокого обучения, которая позволяет разработчикам искать, проверять и упорядочивать миллионы изображений. Мы — команда ученых и инженеров, создающих технологию, лежащую в основе облачного сервиса Amazon Rekognition. Вы будете работать над современными методами глубокого обучения и НЛП, чтобы создавать масштабируемые решения для нетривиальных, возможно, нерешенных проблем компьютерного зрения.

  • Визуальный поиск Amazon. Технология визуального поиска помогает клиентам использовать визуальную информацию для поиска, открытия и совершения покупок. Мы создаем решения дополненной реальности для мобильных устройств, накладывая соответствующую информацию на изображения окружающего мира с камеры телефона, что позволяет клиентам искать товары на основе их визуальных атрибутов, таких как цвет, форма или даже текстура. Такие решения появляются на Amazon и Zappos, позволяя покупателям быстро найти понравившуюся обувь или часы по внешнему виду товара.
  • Персонализация обслуживания клиентов. Мы используем машинное обучение, НЛП и статистику, чтобы обеспечить лучший клиентский опыт в мире. Наша команда создает интеллектуальное обслуживание клиентов нового поколения. Присоединяйтесь к нам, чтобы создавать революционные продукты и менять методы работы с клиентами.
  • Моделирование и оптимизация (MOP). Мы создаем детерминированные и стохастические модели и алгоритмы для расширения и оптимизации транспортной сети Amazon. Сложные проблемы включают идеальное расположение и возможности для установки локаций Prime Air, сортировочных центров, станций доставки, Amazon Lockers, Prime Now и Fresh Nodes на несколько лет вперед.
  • Оптимизация цепочки поставок. SCOT создает алгоритмы, которые управляют движением запасов в цепочке поставок Amazon. Это включает в себя прогнозирование спроса на десятки миллионов SKU в день, многоэтапную оптимизацию запасов, стратегические закупки, планирование мощностей, моделирование, экспериментирование и размещение запасов. Они оптимизируют компромиссы между обещаниями клиентов, ускоренной доставкой, затратами на поиск поставщиков, затратами на транспортировку, затратами на хранение, устареванием запасов, пропускной способностью центра выполнения и местоположением. Они автоматизируют и оптимизируют цепочку поставок Amazon для поддержки трех столпов потребительского бизнеса Amazon: цены, выбора и удобства.
  • Голосовое управление и расширенные возможности покупок. Мы стремимся делать покупки в повседневной жизни. Мы позволяем клиентам мгновенно заказывать все, что им нужно, просто взаимодействуя со своими интеллектуальными устройствами, такими как Echo, Fire TV и другими.

_____ СПАСИБО_____

Адитья Кумар Саху, Технологический институт Бирла, Месра, Ранчи

#АРТ задание 5.

Первоначально опубликовано на https://www.linkedin.com.