Машинне навчання для бізнесу 3 приклади з України

Статті на тему

навчання

Машинне навчання - доля не тільки таких монстрів, як Google. Незабаром воно переверне влаштування всіх звичних нам ринків. А ваші конкуренти, можливо, вже зараз замислюються, як використовувати нейронні мережі у своїй роботі.

ТОП-6 найважливіших статей для керівника:

Предбачаємо поломки обладнання через машинне навчання

Олександр Козлов, Комерційний директор підприємства «Політех-Плюс», Москва

Через поломки 40% обладнання на виробництві простоювало, ми не виконували замовлення вчасно. Клієнти скаржилися, ми втрачали замовників. Логічно було б поновити основні засоби. Але ми порахували, скільки нам це обійдеться, і пішли іншим шляхом.

Навчилися своєчасно передбачати необхідність планово-попереджувального обслуговування обладнання через досить простий механізм машинного навчання – supervised learning, або навчання з учителем.

Як це працює. Зібрали всі дані про роботу верстатів та обладнання, визначили, які параметри найбільше впливають на ймовірність незапланованих поломок або простоїв.

Наприклад, ступінь забрудненості мастильних матеріалів або дані про те, коли майстер-верстатник підвищував кваліфікацію востаннє. Потім наші інженери написали програму та ввели до неї зібрані дані: параметри роботи обладнання, за яких відбулися задокументовані простої чи поломки. Їхній збір був найважчою справою і зайняв близько року. Натомість тепер програма сама передбачає поломки. Щоразу інженер, він же «вчитель», вносить інформацію про нову поломку або просте, що підвищує точність подальших прогнозів. За проект відповідавдиректор з виробництва. Статистику збирав головний інженер.

Результат. Ми заощадили на інвестиціях в основні засоби і почали втрачати менше замовлень. Підвищили ключовий показник виробництва – загальну ефективність устаткування (OEE, overall equipment manufacturing) з 60 до 75–79% з допомогою скорочення часу простоїв устаткування, пов'язані з поломками.

За допомогою машинного навчання обробляємо заявки за 10 секунд

Сергій Сєдов, Генеральний директор компанії «Робот Займер», Москва

Ми використовуємо технології Big Data (англ., великі дані) та Machine Learning (англ., машинне навчання) для прийняття рішень про видачу позики. Система аналізує кожен сегмент клієнтів по окремих скорингових картах і робить їх автоматизований перерахунок. Іншими словами, наш програмний комплекс здатний до самонавчання та ретроспективного аналізу поведінки позичальника.

приклади

Результат. Сьогодні компанія використовує скорингові моделі з коефіцієнтом GINI [ii] = 0,63 і вище, до впровадження машинного навчання показник не перевищував 0,42. Переваги машинного методу оцінки позичальників: миттєве реагування зміну потоку заявок; автоматичний перерахунок скорингових карток; зниження ризиків, пов'язаних із людським фактором; оптимізація витрат та оперативність прийняття рішень. Заявки на кредит обробляються за 10 секунд – з ручною роботою це незрівнянно, оскільки людина не може проаналізувати 2 тис. параметрів. Серед інших факторів виключаються друкарські помилки при заповненні анкети, втрата даних. Ми маємо стабільно низький відсоток прострочення у загальному обсязі клієнтів, а рівень шахрайства знизився до 0,09% від загальної кількості схвалених заявок.

Ми знизили навантаження на співробітників і підвищили швидкість та обсяги роботи безрозширення штату

Кирило Котов, Директор департаменту розробки програмного забезпечення сервісу з пошуку роботи та співробітників Superjob.ru компанії «Суперджоб», Москва

Ми використовуємо Supervised (англ., навчання з учителем) та Unsupervised (англ., навчання без вчителя) методи машинного навчання.

У першому випадку дані, у яких навчається модель, заздалегідь розмічені людиною. Так вирішуються завдання автоматичного передбачення адекватної зарплати за резюме, виявлення відповідності кандидата до вимог вакансії.

У другому випадку навчання відбувається без вчителя: ми віддаємо машині дані та чекаємо від неї результату, наприклад, їх розбивки за класами. Так вирішується, зокрема, завдання поєднання схожих вакансій.

Компанія застосовує алгоритми, що ґрунтуються на діях рекрутерів. Модель використовує кілька сотень ознак з резюме та вакансій, щоб підібрати кандидату роботу, яка максимально відповідає його знанням та навичкам.

Елементи нейромереж ми застосовуємо з 2010 року, наприклад, для коригування помилок у резюме та вакансіях. Автоматизували з їх допомогою обробку десятків тисяч запитів клієнтів-роботодавців та претендентів у зворотний зв'язок сервісу. Зараз ми тестуємо сервіс, який передбачає, які з сотень однотипних резюме будуть потрібні конкретним роботодавцем.

Результати. Ми знизили навантаження на співробітників та підвищили швидкість та обсяги роботи без розширення штату за допомогою автоматизації модерації резюме та вакансій, а також зворотного зв'язку. Завдяки впровадженню автоматичного розпізнавання роботів навантаження на наші сервери знизилося. Визначення схожих вакансій полегшує пошук роботи для фахівців та збільшує відгук для роботодавців.

[i] Скорингова модель – модель рейтингуванняпозичальників.

[ii] Коефіцієнт Джині - статистичний показник ступеня розшарування суспільства даної країни або регіону по відношенню до якоїсь ознаки, що вивчається. Застосовується у машинному навчанні для передбачення безперервних величин.