En İyi Şirketler Makine Öğrenimini Nasıl Kullanıyor?

Geçen yıl içinde, makine öğrenimi çılgınlığı iş dünyasını sardı. Yarım yüzyıl önce terimi ortaya atan bilgisayar bilimcisi Arthur Samuel'e göre, makine öğrenimi, "bilgisayarlara açıkça programlanmadan öğrenme yeteneği vermek" için büyük veri kümeleri ve eğitim algoritmaları kullanan bilgisayar biliminin alt alanı olarak tanımlanmaktadır.

Birçok yönetici, makine öğreniminin İnternet ve kişisel bilgisayar kadar önemli bir paradigma değişikliğini kanıtlayacağına dair sezgisel bir sezgiye sahiptir. PwC tarafından yakın zamanda yürütülen bir anket, iş dünyasının liderlerinin %30'unun yapay zekanın beş yıl içinde sektörlerinde en büyük bozulma olacağına inandığını gösterdi. Yalnızca 2016'da, makine öğrenimi girişimlerine 5 milyar dolardan fazla girişim finansmanı aktı. McKinsey Global Institute, makine öğreniminin örüntü tanıma, doğal dil oluşturma ve anlama ve süreç optimizasyonu dahil olmak üzere "birçok yaygın iş etkinliğine geniş uygulanabilirliğe" sahip olduğunu belirtiyor.

Makine Öğrenimi Neden Şimdi Önemli?

Son zamanlardaki heyecan, makine öğrenimini uygulamak isteyen sektör ve aşamalardaki kuruluşlar için giriş engelini azaltan üç önemli gelişme tarafından yönlendiriliyor:

• Daha fazla veri ve daha ucuz depolama: Bulut tabanlı araçların yükselişi ve Amazon Redshift gibi hizmetler aracılığıyla veri depolamanın düşen maliyeti, iş açısından kritik uygulamalar tarafından rutin olarak her zamankinden daha fazla verinin oluşturulduğu ve depolandığı anlamına geliyor.
• Açık kaynak kitaplıkları: Google'ın TensorFlow ve scikit-learn gibi yaygın olarak bulunan makine öğrenimi kitaplıkları, son teknoloji algoritmaları daha geniş bir veri bilimci ve genel yazılım mühendisi kitlesi için daha erişilebilir hale getirir.
• Daha fazla beygir gücü: Makine öğrenimi için optimize edilmiş bulut tabanlı platformların ve özel donanımların geliştirilmesi, bu uygulamaların daha hızlı ve daha düşük maliyetle çalışabileceği ve çeşitli iş gereksinimlerine uygunluklarını artıracağı anlamına gelir.

Özet olarak, makine öğrenimine yatırım yapmak için ikna edici kanıtlar var. Ancak kuruluşlar bu teknolojiyi gerçekten nasıl kullanıyor? Şirketlerin değer yaratmasına, maliyetleri düşürmesine ve yatırım getirisini artırmasına yardımcı olmak için bugün makine öğrenimi hangi yollarla kullanılıyor?

Bu makalede, her ölçekten şirketin beş temel iş vakasını ele almak için makine öğrenimini nasıl kullandığını gösteren örnek olay incelemelerini paylaşıyoruz: kullanıcı edinme, müşteri desteği, tahmin, dolandırıcılığı önleme ve insan yönetimi.

1. Kullanıcı Edinme

Genel olarak, tipik bir tüketici veya kurumsal işletme için müşteri edinme hunisinin üç aşaması vardır: ihtiyaçlarını anlamak ve ele almak için müşteri tabanınızı bölümlere ayırmak, onları doğru zamanda doğru mesajlaşma ile meşgul etmek ve onları ürününüzün kullanıcılarına dönüştürmek.

Makine öğrenimi, hem yeni başlayanlar hem de büyük şirketler tarafından tüm kullanıcı edinme hunisinde geniş bir kullanım gördü. Amazon burada önemli bir örnektir; CEO Jeff Bezos, 2017 yılında hissedarlara yazdığı mektupta, makine öğreniminin kullanıcı tercihlerine dayalı ürün ve anlaşma önerilerini güçlendirerek Amazon.com deneyimine "yüzeyin altında" nasıl katkıda bulunduğunu belirtti. Ancak kullanıcıları segmentlere ayırmak ve onlara ilgili ürünleri göstermek yalnızca ilk adımdır: birçok perakendeci, herhangi bir müşteri için satış olasılığını en üst düzeye çıkarmak amacıyla marka bilinci oluşturma, kopyalama ve promosyon fiyatlarını anında ayarlamak için makine öğrenimini kullanır.

Kurumsal cephede, Salesforce kısa süre önce, belirli bir potansiyel müşterinin bir e-posta göndermek için doğru zamanı önerecek kadar ileri gitme şansını artırmak için özel öneriler sağlamak için CRM verilerini inceleyen bir ürün olan Einstein'ı piyasaya sürdü.

2. Müşteri Desteği

Tabii ki, müşteri kazanmak sadece ilk adımdır. İster e-ticaret ister kurumsal olsun, kullanıcıları elde tutmak ve müşteri kaybını sınırlamak, zamanında ve etkili müşteri desteği sağlamayı gerektirir.

Düzinelerce marka artık müşteri destek deneyimini geliştirmek için makine öğreniminden yararlanıyor. Örneğin, Brezilya süpermarketi Ocado, müşteri destek sorgularının duyarlılığını ölçen ve olumsuz yanıtları destek işaretinin en üstüne taşıyan özel bir sistem oluşturmak için Google makine öğrenimi API'lerini kullandı. Sonuç, Ocado'nun acil mesajlara dört kat daha hızlı yanıt vermesi ve kötü niyetli olma riski yüksek müşterileri geri kazanmak için değerli bir fırsat yaratmasıdır.

Daha yakın zamanlarda, konuşma “botları” artık bir insan operatörün yardımı olmadan destek taleplerini öncelik sırasına koyuyor - iade etiketleri vermek gibi rutin talepleri yerine getirebilecek bir ilk yanıtı vermek için makineden güç alan doğal dili kullanıyor. Destek maliyetlerini %30'a kadar düşürmenin yanı sıra, sohbet robotları daha hızlı yanıt vererek müşteri memnuniyetini artırabilir ve anlama becerileri geliştikçe yeteneklerinin kapsamı da büyüyecektir. ABD'li tüketicilerin %44'ünün şaşırtıcı bir şekilde insanlar yerine sohbet robotlarıyla etkileşimi tercih etmesiyle, makine öğrenimine yatırım yapan tüketiciye dönük işletmeler muazzam bir avantaja sahip olacak.

3. Tahmin

Arka ofiste, çok çeşitli kuruluşlar daha sağlam, ayrıntılı ve doğru tahmin modelleri oluşturmak için makine öğrenimini kullanmaya başlıyor.

2016'da Walmart, veri bilimi işe alım platformu Kaggle'da bir yarışma düzenledi ve başvuru sahiplerinden her mağaza için departman bazında satışları tahmin eden bir model oluşturmak için 45 mağazadan geçmiş verileri kullanmalarını istedi. Sigorta devi AIG, şirketin talepleri tahmin etme ve sonuçları tahmin etme yeteneğini geliştirmek amacıyla makine öğrenimi modelleri oluşturmak için 125 kişilik bir veri bilimi ekibi kurdu.

Küresel gözlük holdingi Luxottica bile talebi tahmin etmek için makine öğrenimini devreye sokar: koleksiyonuna her yıl 2000 yeni stil ekler ve satış performansını tahmin etmek için makine öğrenimini ve geçmiş lansmanlardan elde edilen verileri kullanır.

4. Güvenlik ve Dolandırıcılık Tespiti

2016'da dolandırıcılık, ortalama e-ticaret perakendecisine toplam gelirin %7'sinden fazlasına mal oldu. Sahtekarlık yönetimi çalışanları için maaşlar, ters ibrazlar ve yanlış pozitifler nedeniyle reddedilen meşru işlemlerin tümü bu masrafa katkıda bulunur.

Makine öğrenimi, milyonlarca işlemi gerçek zamanlı olarak akıllı bir şekilde izlemek ve dolandırıcılıktan kaynaklanan israfı azaltmak için güçlü bir araç olarak potansiyelini ortaya çıkarmaya başlıyor. PayPal bu alanda liderdir: Açık kaynak araçlarını ve geniş işlem verilerini kullanarak, eski dolandırıcılık modellerinin ürettiği yanlış alarmların sayısını azaltmak için sıfırdan bir yapay zeka motoru oluşturdular.

İnsanlar, modeli eğitmek ve belirsizlikleri gidermek için hala döngüdeler, ancak ilk sonuç şaşırtıcı oldu: Yeni modellerini uyguladığından beri, PayPal yanlış pozitif oranını yarıya indirdi. Beyaz eldivenli bir çözüm arayan şirketler için, Sift Science gibi yeni başlayanlar, bir işletmenin verilerini tüketebilir ve tüm kurumsal müşteri ağlarından dolandırıcılık sinyalleri uygulayarak, dolandırıcıların en son tekniklerinin hızla yakalanmasını sağlayabilir.

5. İnsan Yönetimi

Yüksek kaliteli insanları işe almak, yönetmek ve elde tutmak, tüm iş yetkinliklerinin temelidir. İşe almanın en zahmetli kısımlarından biri, mülakatlar için bir kısa liste oluşturmak üzere yüzlerce veya binlerce özgeçmişi filtrelemektir; İşverenlerin yarısından fazlası bunun işlerinin en zor kısmı olduğunu söylüyor. Bu sorun, Adidas ve Macy's gibi şirketler tarafından işe alım yöneticilerinin geçmişte verdiği kararlara dayalı olarak özgeçmişleri filtrelemek için kullanılan bir aday yönetim sistemi yapan Restless Bandit gibi girişimler tarafından ele alınmaktadır.

En önemlisi, bu algoritmalar, bilinçsiz insan önyargılarını görmezden gelmek ve hatta iş tanımlarında önyargılı dili işaretlemek için eğitilebilir; bu, makine öğreniminin, insan işe alım görevlileri tarafından ilk geçişte gözden kaçırılabilecek yüksek performanslı, çeşitli adayları belirleme potansiyeline sahip olduğu anlamına gelir. Elde tutma cephesinde, makine öğrenimi, büyük yöneticilerin akıl hocalığını artırabilir ve benzer profillere sahip geçmiş çalışanlara dayalı özel ve tarafsız kariyer tavsiyeleri üreterek çalışanların daha iyi performans göstermelerine yardımcı olabilir.

ABD'li tüketicilerin %44'ünün şaşırtıcı bir şekilde insanlar yerine sohbet robotlarıyla etkileşimi tercih etmesiyle, makine öğrenimine yatırım yapan tüketiciye dönük işletmeler muazzam bir avantaja sahip olacak.

Makine Öğreniminin Etkisi Artacak

Bu makalede, makine öğreniminin çeşitli kuruluşlar için doğrudan ve anında değer yaratabileceği en önemli yollardan bazılarını gözden geçirdik. Makine öğrenimini bir tür kurumsal derde deva olarak görmek bir hata olur - nihayetinde, bir makine öğrenimi sisteminin performansı, yalnızca üzerinde eğitim aldığı veriler kadar iyidir ve bir kuruluşun temel kararları genellikle "uç durumlar"dır. değerlendirmek için bir insan yargısı ölçüsü ve anekdot deneyimi gerektirir.

Yöneticiler, makine öğreniminin soyut potansiyeliyle göz kamaştırmak yerine, bu teknolojiye yatırım yapma sorununa, temel iş zorluklarını değerlendirerek ve bunları makine öğreniminin temel yeteneğiyle eşleştirerek yaklaşmalıdır: bir ton veriden anlam ve anlam çıkarma . Yukarıdaki örnek olay incelemelerinin çeşitliliği göz önüne alındığında, makine öğrenimi tekniklerinin yardımcı olma olasılığı beklediğinizden daha fazla olabilir.