4 способа использовать машинное обучение для решения проблем

Использование технологии машинного обучения может повысить уровень безопасности на дорогах. Фото: Flickr ~ Lone Wadi ~ (CC BY-SA 2.0).
Использование технологии машинного обучения может повысить уровень безопасности на дорогах. Фото: Flickr ~ Lone Wadi ~ (CC BY-SA 2.0).

Машин­ное обу­че­ние откры­ва­ет новые воз­мож­но­сти для улуч­ше­ния нашей жиз­ни. Речь идет о ком­пью­тер­ных систе­мах, кото­рые спо­соб­ны пони­мать, обу­чать­ся, а так­же пред­ска­зы­вать, адап­ти­ро­вать­ся и, воз­мож­но, рабо­тать авто­ном­но.

Рас­по­зна­ва­ние речи в асси­стен­тах, встро­ен­ных в опе­ра­ци­он­ные систе­мы мобиль­ных устройств. Функ­ция рас­по­зна­ва­ния лиц на фото­гра­фи­ях, кото­рая ста­но­вит­ся рас­про­стра­нен­ной в интер­нет-сер­ви­сах. Пере­вод в режи­ме реаль­но­го вре­ме­ни в голо­со­вых мес­сен­дже­рах – все эти ново­вве­де­ния ста­ли воз­мож­ны бла­го­да­ря при­ме­не­нию тех­но­ло­гии machine learning.

Изда­ние Informationweek соста­ви­ло под­бор­ку про­ек­тов, создан­ных на осно­ве машин­но­го обу­че­ния, а Теп­ли­ца выбра­ла из них 4 наи­бо­лее инте­рес­ных при­ме­ра.

1. Mapillary

В каче­стве аль­тер­на­ти­вы GoogleStreetView неко­то­рые горо­да исполь­зу­ют кра­уд­сор­син­го­вые аль­тер­на­ти­вы для того, что­бы вести рабо­ты по город­ско­му пла­ни­ро­ва­нию, про­во­дить инвен­та­ри­за­цию дорог.

Mapillary исполь­зу­ет машин­ное обу­че­ние для того, что­бы сов­ме­щать 3D-визу­а­ли­за­цию улиц с их реаль­ны­ми фото­гра­фи­я­ми, кото­рые сде­ла­ны 12 тыся­ча­ми поль­зо­ва­те­лей ресур­са.

К при­ме­ру, в 2014 году город в Шве­ции умень­шил ско­рост­ной лимит в цен­тре с 50 до 40 км/ч. Для это­го необ­хо­ди­мо было обно­вить все соот­вет­ству­ю­щие зна­ки. Вла­сти горо­да исполь­зо­ва­ли Mapillary, что­бы загру­зить туда 1 млн фото­гра­фий улиц.

Еще по теме: 10 онлайн-кур­сов по машин­но­му обу­че­нию

Сер­вис смог опре­де­лить, где нахо­дят­ся зна­ки, кото­рые нуж­но заме­нить, бла­го­да­ря тому, что зало­жен­ный в его осно­ву алго­ритм уме­ет отли­чать дорож­ные зна­ки (а так­же учить­ся в про­цес­се).

2. Recommind

Юри­стам часто при­хо­дит­ся рабо­тать с боль­шой коман­дой асси­стен­тов, кото­рые вруч­ную про­ве­ря­ют преды­ду­щие судеб­ные реше­ния, что­бы най­ти нуж­ную дока­за­тель­ную базу. С появ­ле­ни­ем машин­но­го обу­че­ния и сер­ви­са Recommind эффек­тив­ность рабо­ты юри­стов улуч­ша­ет­ся.

Теперь срав­не­ни­ем боль­ших мас­си­вов дан­ных по задан­но­му поис­ко­во­му запро­су зани­ма­ет­ся ком­пью­тер­ная про­грам­ма. Она ана­ли­зи­ру­ет тек­сты судеб­ных реше­ний и ищет в них необ­хо­ди­мое, но не про­сто сло­во «нож» или «мяс­ник», а более слож­ное опи­са­ние той или иной ситу­а­ции. Асси­стен­там при­хо­дит­ся обра­ба­ты­вать уже ото­бран­ные доку­мен­ты.

3. Smart car

IBM Institute for Business Value про­ро­чит боль­шое буду­щее «умным» маши­нам. В ско­ром вре­ме­ни авто­мо­би­ли будут очень мно­го знать об окру­жа­ю­щей сре­де, город­ской сре­де, а так­же о пове­де­нии води­те­лей, как сво­их, так и чужих.

Все это при­ве­дет к тому, что они научат­ся быть более адап­тив­ны­ми к сво­им хозя­е­вам – бла­го­да­ря машин­но­му обу­че­нию любой крос­со­вер или седан запом­нит и изу­чит пове­де­ние води­те­ля, а затем смо­жет под­стро­ить­ся под неопыт­но­го нович­ка или дерз­ко­го гон­щи­ка.

4. Winning Algorithms

В спор­тив­ных сорев­но­ва­ни­ях все вни­ма­ние медиа при­ко­ва­но к побе­ди­те­лям. Но как быть, если инфор­ма­ция о том, на каких пози­ци­ях нахо­дят­ся осталь­ные участ­ни­ки гон­ки, очень нуж­на их коман­дам? Не зная, где нахо­дит­ся спортс­мен, тре­нер не может дать ему сове­тов и реко­мен­да­ций.

Решить эту про­бле­му пыта­ют­ся в ком­па­нии Winning Algorithms и дела­ют это на осно­ве дан­ных из соци­аль­ных сетей. Пола­гать­ся на тви­ты и репо­сты рис­ко­ван­но, но бла­го­да­ря машин­но­му обу­че­нию сер­вис поз­во­ля­ет опре­де­лить веро­ят­ность неточ­ной инфор­ма­ции на осно­ве ана­ли­за про­фи­ля поль­зо­ва­те­ля.

Так, в гон­ке Tour de Italia сер­вис на 5 минут опе­ре­жал медиа в предо­став­ле­нии коман­де спортс­ме­на инфор­ма­ции о его место­по­ло­же­нии.