Стартап кастомизирует косметику по уходу за кожей с помощью машинного обучения

11 декабря 2018
средства по уходу за кожей

Стартап кастомизирует косметику по уходу за кожей с помощью машинного обучения

Стартап Proven Skincare использует машинное обучение, чтобы определить, какие ингредиенты средств по уходу за кожей будут лучше работать на людях из разных стран, живущих в разном климате. Клиенты, которые хотят заказать…

Стартап Proven Skincare использует машинное обучение, чтобы определить, какие ингредиенты средств по уходу за кожей будут лучше работать на людях из разных стран, живущих в разном климате.

Клиенты, которые хотят заказать косметику в Proven Skincare, предоставляют данные — возраст, этническую принадлежность, адрес, образ жизни и проблемы кожи, которые нужно решить. На основе данных о месте проживания анализируется состояние окружающей среды, количество ультрафиолета, жесткость воды и другие особенности, которые влияют на состояние кожи — всего 27 факторов. Доступ к геолокации также позволяет исследователям корректировать составы продуктов в зависимости от сезонных погодных изменений.

Полученную информацию сравнивают с базой Skin Genome, созданной на основе данных 4000 исследований и 8 миллионов отзывов потребителей о косметических продуктах. Программа выбирает, какие ингредиенты из 20 000 в базе данных подойдут конкретному клиенту с его потребностями. Например, одни кислоты подходят для работы с гиперпигментацией на афро-американской и азиатской коже с высоким содержанием меланина, а другие лучше работают на светлой и чувствительной.

«По мере того, как наши клиенты и мы сами тестируем и используем продукты и делимся этими знаниями с базой данных, программа подбора работает точнее и лучше» — говорят основатели стартапа.

Курсы Amazon по машинному обучению выложили в открытый доступ

28 ноября 2018
курс amazon по машинному обучению

Курсы Amazon по машинному обучению выложили в открытый доступ

Amazon открыла бесплатный доступ к «Machine Learning University» — внутренним курсам по машинному обучению для новых разработчиков компании. Обучающая программа представлена на английском языке. В неё входят 45 часов лекций,…

Amazon открыла бесплатный доступ к «Machine Learning University» — внутренним курсам по машинному обучению для новых разработчиков компании. Обучающая программа представлена на английском языке. В неё входят 45 часов лекций, видео и лабораторных работ с примерами практических задач.

Курсы доступны по 4 направлениям: для разработчиков, специалистов по работе с данными, инженеров баз данных и менеджеров. Как отмечают в блоге компании, программа «начинается с основ и построена на решении задач, с которыми сталкиваются ML-специалисты в Amazon».

Компании могут использовать эту программу, чтобы научиться применять машинное обучение, искусственный интеллект и глубокое обучение в своем бизнесе.

На платформе доступны бесплатные теоретические материалы. Для выполнения практических заданий студентам нужно будет оплатить доступ к облачному сервису AWS . После окончания обучения желающие могут сдать платный экзамен и получить сертификат.

 

PaGAN — новый метод создания анимированного аватара из селфи

27 ноября 2018
создание аватаров GAN

PaGAN — новый метод создания анимированного аватара из селфи

С ростом интереса к VR и персонализированному игровому опыту, набирают популярность приложения для создания 3D-аватаров. Команда приложения Pinscreen использует технологии машинного обучения, чтобы получать высококачественные анимированные аватары из одной фотографии.…

С ростом интереса к VR и персонализированному игровому опыту, набирают популярность приложения для создания 3D-аватаров. Команда приложения Pinscreen использует технологии машинного обучения, чтобы получать высококачественные анимированные аватары из одной фотографии.

Синтез изображения с помощью paGAN

Предыдущим методам для создания анимированного 3D-аватара требовалось несколько исходных фотографий человека с разных ракурсов. Новый подход позволяет создавать реалистичный аватар, используя одно селфи. Трекер VGPT захватывает лицо и обеспечивает точность определения модели головы в 3D и её положения относительно камеры. Затем генеративно-состязательная нейросеть paGAN рендерит фотореалистичный аватар на основе простой модели, захваченной трекером. Примеры работы алгоритма можно посмотреть на видео.

Ещё одна особенность разработки — сеть генерирует реалистичное отображение внутренней части рта и глаз. Эти динамические текстуры также используются для создания анимации областей рта и глаз.

Авторы применяют paGAN для создания 3D-аватаров для игр, дополненной и виртуальной реальности. Разработка будет представлена на конференции SIGGRAPH ASIA 2018, которая пройдет в Токио с 4 по 7 декабря.

Дерево решений: метод «белого ящика» в машинном обучении

20 ноября 2018
дерево решений

Дерево решений: метод «белого ящика» в машинном обучении

Дерево решений — логическая схема, позволяющие получить окончательное решение о классификации объекта после ответов на иерархически организованную систему вопросов. Стоит сказать, большинство высоко результативных решений на Kaggle — комбинация XGboost-ов,…

Дерево решений — логическая схема, позволяющие получить окончательное решение о классификации объекта после ответов на иерархически организованную систему вопросов. Стоит сказать, большинство высоко результативных решений на Kaggle — комбинация XGboost-ов, одного из вариантов деревьев решений, и очень качественного фичер-инжиниринга.

Один уровень

Стоящая за деревьями решений идея проста. Представим датасет, созданный путем записи времени ухода из дома и времени прихода на работу. Анализируя эти данные, можно увидеть, что в большинстве случаев выход из дома раньше 8:15 приводит к своевременному прибытию на работу, а выход после 8:15 — к опозданию.

дерево решений

Теперь этот паттерн можно выразить через дерево решений. В самой первой точке разветвления следует задать вопрос: “Выход из дома осуществляется раньше 8:15?”. Теперь есть две ветви — “да” и “нет”. Для согласованности будем считать положительный ответ левой веткой. Вводя такую границу решения, мы разбиваем данные на две группы. Хотя в таком случаем есть некоторые исключения и сложности, общее правило — разделение по времени с границей 8:15. Если вы выходите до 8:15, можете быть уверены, что попадете на работу вовремя. В противном случае — будьте уверены, что опоздаете.

решающие деревья

Это самое простое дерево решений, состоящее из одной пары ветвей.

Два уровня

Мы можем уточнить оценку пунктуальности с помощью разделения обеих ветвей. Если мы добавим дополнительные границы решений со значениями 8:00 и 8:30, можем получить более точное предсказание исхода.

Выход до 8:00 однозначно приведет к своевременному появлению на работе, тогда как с 8:00 до 8:15 — лишь к высокой вероятности прийти вовремя, но не к гарантии. Похожим образом ветвь с выходом после 8:15 делится на две ветви с решающим вопросом: “отправление до 8:30?”. Если ответ положительный, то есть большая вероятность опоздать, если же отрицательный —  вы гарантированно опоздаете.

дерево решений с двумя уровнями

Это дерево решений имеет уже два уровня. В общем случае, они могут иметь столько уровней, сколько вы захотите. В большинстве случаем каждый узел (решающий вопрос) имеет только две ветви.

Рассматриваемый пример использует только один фактор и одну целевую переменную, которую необходимо предсказать. Фактором выступает время отправления, а целевая переменная — приедем ли мы вовремя. Целевая переменная категориальная, так как она имеет только два различных значения. Деревья решений с категориальной целевой переменной называются классифицирующими деревьями.

Многомерное дерево решений

Можно расширить этот пример на случай нескольких предикторных переменных. Рассмотрим время выхода и день недели. Начнем собирать данные с понедельника (день 1), тогда суббота = 6, воскресенье = 7. Исследуя данные, можно видеть, что в субботу и воскресенье зеленые точки смещены в левую сторону. Это означает, выход в 8:10 является достаточным, чтобы успеть на работу вовремя в будний день, но не достаточным в выходные.

дерево решений пример

Чтобы отобразить этот факт в дереве решений, можем начать также, как и в первом примере, установив границу решений как 8:15. Выход после 8:15 скорее всего приведет к опозданию. Выход из дома до 8:15 — не показательный фактор, хотя ранее мы предполагали, что это гарантирует прибытие вовремя. Теперь мы видим по данным, что это не является полной правдой.

дерево решений пример задачи

Чтобы сделать более точную оценку для выходных, разделим левую ветвь на выходные и будние дни. Теперь выход из дома до 8:15 в будний день гарантирует своевременное прибытие на работу. Для выходного дня в большинстве случаев это тоже вовремя, но не всегда. Мы обновили дерево решений с помощью узла, который отражает новую решающую границу.

решающее дерево с тремя уровнями

Можно еще сильнее уточнить оценку разделением ветки с отправлением до 8:15 в выходной день на отправление до 8:00 и после. Отправление до 8:00 скорее всего приведет к своевременному появлению на работе, а в интервале с 8:00 до 8:15 к опозданию с большой вероятностью. Получилось двумерное дерево решений, аккуратно поделенное на 4 различных региона. Два из них соответствуют прибытию вовремя, два — опозданию.

дерево решений с тремя уровнями

Это трехуровневое дерево. Отметим, что не обязательно все ветки должны простираться на одинаковое количество уровней.

Регрессионное дерево решений

Рассмотрим случай с непрерывной целевой переменной, а не категориальной. В случае использования модели для предсказания непрерывных количественных переменных дерево называется регрессионным. Мы посмотрели на одномерные и двумерные классификационные деревья, теперь настало время взглянуть на регрессионные.

Перед нами стоит задача оценки времени пробуждения в зависимости от возраста человека. Корень нашего регрессионного дерева — оценка всего датасета. В этом случае, если требуется оценка без знания возраста конкретного человека, разумным предположением будет 6:25. Это и будет корнем нашего дерева.

возраст время подъема

Разумное первое разбиение — возраст 25 лет. В среднем, люди моложе 25 лет просыпаются в 7:05, а старше 25 — в 6 часов.

регрессионное дерево решений

Существует всё еще много вариаций разбиения на возрастные группы, поэтому мы можем разделить выборку еще раз. Теперь можно предположить, что люди младше 12 лет просыпаются в 7:45, а в возрасте от 12 до 25 лет — в 6:40.

Группа людей старше 25 лет тоже может быть разумно разделена. Люди в возрасте от 25 до 40 лет просыпаются в среднем в 6:10, а в возрасте от 40 до 70 — в 5:50.

Поскольку наблюдается большая неоднозначность для младшей группы, можем разделить её еще раз. Теперь границей решений будет возраст 8 лет, что позволит более точно подстроиться под данные. Также можно разделить возрастную группу в диапазоне от 40 до 70 лет на отметке 58 лет. Отметим, мы добиваемся того, чтобы в каждом листе дерева находилось только одно или два значения из данных. Но это условие опасно тем, что может приводить к переобучению, о котором мы поговорим в скором времени.

дерево принятия решений

В результате необходимо получить численную оценку в зависимости от возраста. Если требуется оценить время пробуждения для 36-летнего человека, можно начать с самой верхушки дерева. Этот процесс описывается следующим образом:

  • “Младше 25 лет?” — Нет; идем вправо.
  • “Младше 40 лет?” — Да; идем влево.
  • Оценка для этого листа — 6:10.

Структура дерева решений позволяет сортировать людей разных возрастов на соответствующие им ячейки и делать оценки времени пробуждения.

Конечно, существует способ расширения регрессионного дерева на случай двух предсказательных переменных. Если рассматривать не только возраст человека, но также и месяц года, можно получить явный и информативный паттерн. В Северной Америке дни длиннее в летние месяцы, и становится светлее раньше по утрам. В нашем нереалистичном примере дети и подростки не обременены строгим расписанием работы или учебы в школе, а их время пробуждения зависит только от того, когда восходит солнце. С другой стороны, взрослым присущ более стабильный распорядок дня, лишь немного зависящий от сезона. Но даже так, для старшего поколения характерно чуть более раннее время пробуждения.

Разветвленное дерево

Мы создаем дерево решений почти таким же образом, как и прошлое. Начинаем с корня — единичная оценка, которая грубо описывает весь набор данных — 6:30. (Здесь представлен код для визуализации с помощью библиотеки matplotlib).

Далее ищем подходящее место для установления границы решений. Делим данные по возрасту на отметке 35 лет, создавая две части:

  • популяция младше 35 лет с временем пробуждения 7:06
  • популяция старше 35 лет с временем пробуждения 6:12

Повторяем этот процесс, разделяя более молодую популяцию на два уровня — событие произошло до середины сентября и событие произошло до середины марта, соответственно. Такое разделение изолирует зимние месяцы от летних. Время пробуждения в зимние месяцы — 7:30 для людей младше 35 лет, а для летних — 6:56.

Теперь можем вернуться в узел с популяцией старше 35 лет и разделить его еще раз с границей в 48 лет для более точного представления.

Таким же образом разделим группу младше 35 лет для зимних месяцев добавлением границы в 18 лет. Человек младше 18 в зимние месяцы просыпается в 7:54, в противном случае, в 6:48.

Можно увидеть, что на графике начинают появляться высокие угловые пики. При каждом дополнительном разделении форма модели дерева решений становится более похожа на оригинальные данные. Кроме того, можно заметить, что в верхнем правом углу графика решающая граница начинает делить датасет на регионы примерно одинакового цвета.

Следующее разделение продолжает этот тренд, фокусируясь на группе младше 35 в летние месяцы, устанавливает границу в возрасте 13 лет. Форма модели становится всё более похожа на форму данных.

Этот процесс продолжается до тех пор, пока модель не станет хорошо представлять плавные тренды, соответствующие данным. Каждый решающий регион постепенно должен становиться меньше, тогда как аппроксимация лежащей в основе данных функции улучшается.

В тоже время деревья решений не лишены недостатков, важнейший из которых — переобучение. Возвращаясь к примеру регрессионного дерева с одной переменной (предсказание времени пробуждения по данным о возрасте), представим, что мы продолжаем разделять ось возраста до тех пор, пока в каждой ячейке не окажется один или два объекта из данных.

Когда мы дошли до этой стадии, дерево объясняет и описывает данные очень хорошо. Даже слишком хорошо. Такая модель не только находит лежащие в основе данных тренды (гладкая кривая, по которой следуют данные), но также реагирует и на шумы (несмоделированные отклонения), характерные для исследуемых данных. Если будет необходимо применить эту модель и предсказать время пробуждения на новых данных, шум из тренировочного сета будет делать предсказание менее точным. В идеале мы хотим, чтобы дерево решений находило только тренды, но не реагировало на шумы. Один из способов защититься от переобучения — убедиться, что в каждом листе нашего дерева находится больше чем один или несколько объектов. Такой способ позволяет усреднением избавиться от шума.

Другая вещь, на которую стоит обратить внимание — большое количество переменных. Мы начали с одномерного регрессионного дерева, затем добавили данные о месяцах, чтобы трансформировать дерево в двумерное. Такой метод не придает значение количеству измерений, которые у нас есть. Можно, например, добавить широту, интенсивность физической нагрузки человека в определенный день, индекс массы тела или любые другие переменные, которые могут быть релевантны для нашей задачи.

Чтобы визуализировать многомерные данные, используем прием, предложенный Джеффри Хинтоном — исследователем в области искусственных нейронных сетей. Он рекомендует следующее: “Чтобы иметь дело с гиперплоскостью в четырнадцатимерном пространстве, представьте себе трехмерное пространстве и скажите самому себе очень громко “четырнадцать.”

Проблема, возникающая при работе с многими переменными, связана с решением о том, какая из переменных должна идти в ветку при построении решающего дерева. Если имеется много переменных, то требуется большое количество вычислений. Также, чем больше переменных мы добавляем, тем большее количество данных нам необходимо, чтобы достоверно выбирать между ними. Легко попасть в ситуацию, где количество объектов в данных сравнимо с количеством переменных. Если наш датасет представлен в виде таблицы, то такая ситуация соответствует совпадению количества строк и столбцов. Существуют методы для борьбы с такими ситуациями, например, случайный выбор переменной для разделения в каждой ветке, но это требует повышенного внимания.

Вы можете свободно пользоваться всеми преимуществами силы деревьев решений, пока следите за местами, где модель может терпеть неудачи. Деревья решений — фантастический инструмент, когда вы хотите сделать как можно меньше предположений о ваших данных. Они обобщают и могут находить нелинейные зависимости между предсказательной и целевой переменной также хорошо, как и влияние одной предсказательной переменной на другую. Если имеется достаточное количество данных для осуществления необходимых разбиений, деревья решений могут выявлять квадратичные, экспоненциальные, циклические и другие зависимости. Деревья могут также находить неплавное поведение, резкие прыжки и пики, которые другие модели, такие как линейная регрессия или искусственные нейронные сети, могут скрывать.

Поэтому в задачах с большим объемом данных деревья решений показывают более высокие результаты, чем другие методы.

Night Sight для Google Pixel: как работает новый режим ночного видения

15 ноября 2018

Night Sight для Google Pixel: как работает новый режим ночного видения

В октябре компания Google представила новую технологию съемки фотографий в ночном режиме. Night Sight использует алгоритмы машинного обучения, чтобы получить яркие и четкие снимки даже в условиях недостаточного освещения. С…

В октябре компания Google представила новую технологию съемки фотографий в ночном режиме. Night Sight использует алгоритмы машинного обучения, чтобы получить яркие и четкие снимки даже в условиях недостаточного освещения. С 14 ноября технология доступна для всех поколений Pixel.

Посмотрите сравнение, опубликованное разработчиками.  Один и тот же снимок, сделанный с помощью iPhone XS (сверху) и Pixel 3 Night Sight (снизу)

Как работает Night Sight

Прежде чем сделать снимок, камера производит множество вычислений. Pixel учитывает движение рук пользователя (или его отсутствие), движение объектов в сцене, количество света. На основе данных об освещении алгоритм регулирует выдержку. В случае с неподвижными объектами используется максимально длинная выдержка для захвата большего количества света. В Pixel установлены лимиты для экспозиций каждого кадра. Если телефон неподвижен — лимит 1 секунда, если камера в движении — 0,33 секунды. Для захвата одного изображения нужно до 15 кадров и до 6 секунд времени. 

Технология основана на алгоритме HDR+, представленном компанией в 2014 году.  Чтобы фотографии были четкими, даже если дрожит рука или объект движется, HDR+ захватывает и объединяет несколько кадров, выравнивая их с помощью программного обеспечения. Кадры, для которых невозможно найти хорошее выравнивание, не используются. Слияние нескольких снимков уменьшает шум даже при тусклом освещении, а яркость и четкость фотографии увеличиваются. Night Sight работает в диапазоне освещения между 0,3 lux и 3 lux. 

Еще один алгоритм — ABW — обучен различать баланс белого на изображении. Если цвета на фотографии не сбалансированы, он предлагает сделать их более нейтральными.

Пример работы алгоритма AWB

Как отмечают в блоге Google, лучше всего Night Sight будет работать на Pixel 3 из-за особенностей обучения алгоритмов и различиях в ПО. Также, разработчики подготовили советы для пользователей, как извлечь максимум возможностей из Night Sight.

 

В Китае создали технологию распознавания человека по походке

14 ноября 2018

В Китае создали технологию распознавания человека по походке

Команда китайского стартапа Watrix разработала технологию распознавания человека по походке. Китайское правительство уже внедряет разработку на улицах Пекина и Шанхая. Инструмент помогает полиции идентифицировать преступников. Технология SHUI DI SHEN JIAN способна…

Команда китайского стартапа Watrix разработала технологию распознавания человека по походке. Китайское правительство уже внедряет разработку на улицах Пекина и Шанхая. Инструмент помогает полиции идентифицировать преступников.

Технология SHUI DI SHEN JIAN способна распознать походку на расстоянии до 50 метров, независимо от того, повернут человек спиной или лицом. Кроме того, алгоритм не удастся обмануть, изменив шаг, скорость или начав прихрамывать. Для SHUI DI SHEN JIAN не важен даже угол съемки и уровень освещения. По заявлениям разработчиков, точность работы алгоритма составляет 94%. При этом, технология пока не работает в режиме реального времени. Для обучения в программу необходимо загрузить данные. Анализ одной видеозаписи длиной в час занимает 10 минут.

Инструмент тестирует полиция Пекина и Шанхая. Для анализа походки используются данные из камер наблюдения. За 1000 часов работы инструмент помог распознать 20 преступников.

В дальнейшем компания нацелена совершенствовать точность алгоритма и работать над распознаванием походки в реальном времени.

Искусственный интеллект и роботы ускорят создание новых молекул

13 ноября 2018

Искусственный интеллект и роботы ускорят создание новых молекул

Машинное обучение и робототехника позволят переосмыслить открытие новых химических веществ и материалов. Компания Kebotix создала автономную лабораторию — робот и компьютеры с искусственным интеллектом изучают и оценивают свойства молекул практически…

Машинное обучение и робототехника позволят переосмыслить открытие новых химических веществ и материалов. Компания Kebotix создала автономную лабораторию — робот и компьютеры с искусственным интеллектом изучают и оценивают свойства молекул практически без участия людей. Возможно, с помощью ИИ удастся разработать новые материалы, которые будут поглощать вредные вещества, бороться с инфекциями или станут эффективной основой оптоэлектронных компонентов. 

Поиск новых молекул

Команда Kebotix использует алгоритмы машинного обучения и робототехнику для разработки химических соединений. Сначала нейронная сеть обучается на молекулярных моделях, имеющих определенные свойства. Для этого используются 3D модели молекул. Затем алгоритм самостоятельно комбинирует данные и ищет новые вещества с подобными свойствами.

Вторая нейронная сеть отсеивает неподходящие конструкции, а потенциально подходящие новые молекулы экспериментально проверяет робот. Программное обеспечение анализирует результаты этих экспериментов, формулирует гипотезы и затем снова запускает процесс. 

Подобные технологии уже применяются в фармацевтической промышленности. В Kebotix планируют заняться разработкой молекул для применения в электронике, а также поиском новых полимеров и сплавов.

Baidu создала технологию для синхронного перевода на основе ИИ

2 ноября 2018

Baidu создала технологию для синхронного перевода на основе ИИ

Интернет-гигант Baidu разработал инструмент, который переводит с двух языков в режиме реального времени. Технология STACL обрабатывает фразы естественного языка и предугадывает слова, что делает перевод близким к результату синхронного переводчика.…

Интернет-гигант Baidu разработал инструмент, который переводит с двух языков в режиме реального времени. Технология STACL обрабатывает фразы естественного языка и предугадывает слова, что делает перевод близким к результату синхронного переводчика.

Мгновенный перевод

Искусственные переводчики работают с последовательным переводом, т.е. переводят предложение только после его окончания. Перевод получается более точным, однако скорость работы снижается. Поэтому такие технологии невозможно использовать в синхронном переводе. STACL (Simultaneous Translation with Anticipation and Controllable Latency) использует синхронный перевод с контролируемой задержкой. Модель «wait-k» генерирует целевое предложение одновременно с исходным, но с опозданием в 3-5 слов. В тоже время STACL предугадывает слова. Такой принцип работы уменьшает задержки между фразой и переводом, и делает его почти мгновенным.

Обучение модели

Сейчас STACL работает с тремя языками: английским, китайским и немецким. Для обучения переводу пары английский — китайский  разработчики использовали два миллиона пар предложений. Это позволило сделать перевод естественным, не смотря на то, что у этих языков очень разные структуры предложений. Например, в китайском языке глагол стоит в конце предложения, но при переводе на английский становится третьим, так как это уместнее для грамматики английского.

Разработку представили на Всемирной конференции Baidu 1 ноября 2018 года. В компании подчеркивают, что инструмент не сможет в ближайшие годы заменить синхронных переводчиков. Пока Baidu нацелена совершенствовать технологию и интегрировать её в свои продукты.

Искусственный интеллект для малого бизнеса: 5 способов применения

1 ноября 2018

Искусственный интеллект для малого бизнеса: 5 способов применения

В массовой культуре искусственный интеллект (AI) покрыт мифами и считается исключительной силой, подрывающей экономическую стабильность. На самом деле, он похож на любую другую технологию. По мере того, как больше и больше…

В массовой культуре искусственный интеллект (AI) покрыт мифами и считается исключительной силой, подрывающей экономическую стабильность. На самом деле, он похож на любую другую технологию. По мере того, как больше и больше компаний используют AI, увеличивается конкуренция и снижаются издержки — искусственный интеллект становится доступным для широкого круга предприятий.

В Соединенных Штатах в малом бизнесе создается более половины рабочих мест, а его доля в ВВП составляет более 40 процентов. Поэтому разработчики стараются делать свои решения доступными для компаний этой экономической ниши.

Поскольку искусственный интеллект становится популярным, важно воспользоваться преимуществами этой технологии. Ниже представлено пять способов сделать это.

Используйте AI для сбора и анализа данных

Qualtrics провели исследование, в котором собрали и проанализировали мнения 250 маркетинговых лидеров. Обнаружилось, что 96% ожидают, что в течение пяти лет AI будет справляться с регулярными исследовательскими задачами, например, очисткой данных.  В то же время 63% полагают, что AI заменит статистический анализ в течение следующего десятилетия.

Изменения происходят не только в маркетинговой отрасли. AI незаменим для крупных компаний, которые имеют доступ к большому количеству потребительских данных. Он важен и для небольших предприятий, которые хотят сделать полезные выводы из более скромного объема информации. Современные методы, такие как статистический регрессионный анализ, были недоступны для малых предприятий с ограниченным бюджетом, но AI сделал их доступными и интуитивно понятными.

Когда небольшие предприятия получают доступ к сложным статистическим инструментам, они могут больше узнать о своих клиентах и ​​привлечь новых. Регрессионный анализ позволяет устанавливать взаимосвязи между большим набором переменных и определять, как они влияют на бизнес. AI – универсальный инструмент для статистических задач, от определения факторов, стимулирующих клиентов возвращаться, до поиска новых рыночных ниш.

Искусственный интеллект помогает собирать данные. Механизмы сбора данных – от анализа тональности текста, до алгоритмов машинного обучения, отслеживающих предпочтения и привычки клиентов, теперь доступны для любых предприятий. В Facebook, например, можно запустить подходящего для этих целей чат-бота, основанного на машинном обучении.

Используйте AI для найма сотрудников

У крупных компаний есть общественное признание, имя, обширные связи и ресурсы для поиска работников. Также у них есть обученные сотрудники отдела кадров, которые знают, как завербовать подходящих кандидатов как можно быстрее. Как же малому бизнесу конкурировать с таким подходом?

Искусственный интеллект уравнивает шансы в битве за талантливых сотрудников. Раньше рекрутерам приходилось вручную просматривать огромные стопки резюме, теперь AI делает этот процесс простым и упорядоченным.

Алгоритмы машинного обучения могут определять, какие предыдущие методы найма помогли найти сотрудников, например, где вы искали кандидатов и как устанавливали контакты. При помощи AI можно узнать, как привлечь конкретного кандидата, найти зацепки и детальную информацию об опыте работы и пригодности для определенной задачи. Эти способы улучшат процесс найма сотрудников, что поможет бизнесу быть конкурентоспособным.

Сделайте организацию бэкэнда более эффективной с AI

Часто обсуждается, что AI заменит человека на рабочем месте, но разумнее рассматривать AI как технологию, которая берет на себя выполнение некоторых задач. Часть этих задач есть на бэкэнде. Например, логистические операции, такие как базовый учет, планирование и другие повседневные задачи. Учитывая, что малый бизнес имеет ограниченное число сотрудников, передача трудоемких задач искусственному интеллекту поможет эффективнее использовать человеческие ресурсы.

В статье для Minutehack соучредитель inniAccounts, Джеймс Пойзер, рассказывает, как его малый бизнес сделал «значительные шаги для автоматизации некоторых процессов бухгалтерского учета» с помощью AI. Использование AI для задач бэкэнда также уменьшает давление на сотрудников. Пойзер отмечает: «Когда люди воспринимают искусственный интеллект как конкурента, не ждите ничего хорошего. К счастью, это не наш случай».

С другой стороны, большинство сотрудников приветствуют технологии, которые помогают избавиться от монотонных задач и освободить время для значимых поручений. Как признают респонденты опроса, AI именно это и делает.

Используйте AI для улучшения сервиса

Никогда еще у компаний не было столько способов взаимодействовать с клиентами. Из-за стремительного развития онлайн каналов коммуникации и более требовательных, чем прежде, потребителей пришло время предлагать новые методы для быстрого решения проблем клиента. Это одна из причин, по которой Gartner прогнозирует, что четверть операций в обслуживании клиентов будет «задействовать виртуального помощник клиента (VCA) или чат-бота уже к 2020 году».

Согласно опросу Qualtrics, часть опросов будет проводиться цифровым помощником и это будет реализовано в течение 5 лет. Прогнозы дают веские основания ожидать, что AI будет играть важную роль в общении с клиентами в ближайшие годы.

Чат-боты предоставляют преимущества малому бизнесу. Небольшие предприятия не могут позволить себе круглосуточные линии обслуживания клиентов. В таком случае хорошим решением будут чат-боты. Виртуальные помощники доступны для клиентов в любой момент, и сразу же ответят на вопросы потенциальных пользователей.

Создайте маркетинговую платформу на основе AI

Исследование показало, что 93% маркетологов считают искусственный интеллект перспективой для развития отрасли. AI коренным образом меняет маркетинг. Это справедливо как для небольших предприятий, так и для корпораций.

Раньше малый бизнес ограничивался рекламой, которую мог себе позволить на местных рынках, а теперь, размещая объявления онлайн, у него есть возможность охватить широкую аудиторию. Можно использовать рекламные платформы Facebook и Google для поиска конкретных потребителей, которые будут восприимчивы к объявлению, собирать и анализировать потребительские данные из нескольких каналов. И все это без армии маркетологов.

Вот почему неудивительно, что в отчете McKinsey за апрель 2018 года сделан вывод, что «наиболее значительно AI влияет на маркетинг и продажи». Малому бизнесу следует внедрять искусственный интеллект уже сейчас, чтобы привлечь как можно больше потребителей в будущем.


Интересные статьи: