Журнал Mail.ru Cloud Solutions
об IT-бизнесе, технологиях и цифровой трансформации

17 примеров применения машинного обучения в 5 отраслях бизнеса Mail.ru Cloud Solutions
Mail.ru Cloud Solutions
  • 07 августа
  • Бизнес

17 примеров применения машинного обучения в 5 отраслях бизнеса

Автор: Елена Шпрингер
Популярное

Машинное обучение (machine learning) лежит в основе многих инновационных технологий искусственного интеллекта. Программы, разработанные с помощью ML, умеют предсказывать поломки оборудования, предугадывать поведение клиентов и принимать логические и аналитические решения почти как люди.

Расскажем, как компании используют machine learning и покажем примеры применения машинного обучения на реальных кейсах.

Машинное обучение в промышленности: управление производством, минимизация простоев и аварий

Минимизация простоев на производстве. Простои из-за поломок, сбоев или нехватки сырья могут стоить заводу миллионы долларов. Машинное обучение помогает их предотвратить. Для этого с датчиков на оборудовании собирают данные, а потом смотрят, при каких показателях возникают сбои. В будущем с помощью этой информации можно предсказать, когда и почему случится простой, как его избежать.

К примеру, может оказаться, что перед поломкой оборудования в цехе всегда поднимается температура. Тогда при повышении температуры система оповестит инженеров, а они вовремя предотвратят проблему.

Чтобы избежать простоев при добыче полезных ископаемых, производитель нефтегазового оборудования GE Oil&Gas использует индустриальный интернет вещей и машинное обучение. Платформа компании собирает данные о состоянии нефтедобычи, а затем составляет расписание диагностических проверок и помогает выявлять неисправности до того, как они произойдут. Эта же платформа помогла Кувейтской нефтяной компании увеличить добычу газа на 2–5%, а нефтяной компании из Малайзии Petronas — снизить расходы на техобслуживание на 10%.

Создание системы управления производством. С помощью датчиков и машинного обучения можно не только выполнять узкие задачи, например предотвращать поломки, но и управлять всем производством:

  • снижать процент бракованных деталей: анализировать, почему происходит брак и как его избежать;
  • оптимизировать отдельные этапы, чтобы они занимали меньше времени;
  • использовать меньше материалов для производства, а значит, сократить расходы;
  • отслеживать состояние оборудования, фиксировать его КПД и загруженность;
  • автоматизировать отдельные этапы производства.

Производитель микроконтроллеров Simatic использует платформу на базе IoT и машинного обучения. Она помогает собирать и анализировать информацию с датчиков на оборудовании в реальном времени. Это помогло на 75% автоматизировать производство тысяч видов продукции, в 9 раз увеличить объем производства при тех же площадях и персонале и почти на 100% сократить брак.

Аналогичную IoT-платформу можно подключить в Mail.ru Cloud Solutions. Она позволяет собирать, обрабатывать и анализировать данные с миллионов любых устройств, использовать машинное обучение для прогнозирования работы оборудования и других задач.

Выявление угроз безопасности. Машинное обучение помогает сделать производство безопаснее: выявлять незначительные изменения в работе оборудования и вовремя оповещать о возможной катастрофе.

Например, энергетическая компания Shell использует машинное обучение, нейронные сети и IoT, чтобы автоматически выявлять угрозы безопасности и оповещать о них сотрудников. Так они успевают среагировать на проблему еще до того, как произойдет катастрофа. Кстати, Shell также использует machine learning для оптимизации производства и добычи полезных ископаемых.

Разведка новых месторождений. Одна из главных проблем нефтегазовой и горнодобывающей промышленности — сложность в обнаружении новых месторождений.

Машинное обучение помогает ускорить этот процесс. На основе данных о прошлых месторождениях искусственный интеллект строит модели, которые с высокой точностью предсказывают, где искать новые залежи газа или руды.

У компании «Газпром» есть проект «Цифровой керн». Это цифровая лаборатория, где анализируют пробы пласта с помощью технологий машинного обучения. Алгоритмы моделируют условия там, откуда взята проба, и помогают создать цифровой двойник месторождения. С его помощью оценивают запасы полезных ископаемых и подбирают индивидуальный подход к разработке. Это позволяет в 1,5-2 раза увеличить добычу полезных ископаемых из конкретного месторождения, а также искать новые.

Машинное обучение позволяет создавать сложные визуальные модели месторождений. Источник

Машинное обучение в финансах: оценка рисков и борьба с мошенничеством

Оценка кредитоспособности. Обычно в банках кредитоспособность клиента оценивают менеджеры. Сотрудники тратят на оценку много времени и часто ошибаются — отклоняют кредиты тем, кто мог бы их платить, и выдают неплатежеспособным.

Алгоритм можно научить оценивать кредитоспособность клиентов банка. Для этого в него загружают информацию о ранее выданных кредитах: выплачены они или нет, были ли просрочки или досрочное погашение. Все это помогает банку автоматизировать выдачу кредитов.

Например, Сбербанк создал «Кредитную фабрику» — систему, которая позволяет принимать решения о кредитоспособности клиента за несколько минут. В 2020 году банк запустил такую фабрику и для юридических лиц — она помогает принимать решения по кредитам для бизнеса за 7 минут. Сейчас 98% кредитов физлицам и 20% кредитов малому и среднему бизнесу выдают автоматически, что экономит миллиарды долларов.

Борьба с мошенничеством. Банки и их клиенты регулярно теряют деньги из-за мошеннических операций. Распознавать такие операции помогает машинное обучение — специальные алгоритмы учатся выявлять признаки мошеннических операций и вовремя их блокировать.

Примеры машинного обучения для предотвращения мошенничества есть у многих банков. Например, Сбербанк использует ИИ для блокировки подозрительных операций, а недавно поймал с его помощью мошенника. Зарубежный Danske Bank снизил процент ложных обвинений в мошенничестве на 60%.

Банки могут использовать облачные сервисы машинного обучения Mail.ru Cloud Solutions, чтобы выявлять попытки мошеннических действий со счетами, определять личность клиента без паспорта, распознавать мошенников по камерам в банкоматах, анализировать кредитоспособность клиентов.

Примеры машинного обучения в медицине: диагностика и роботизированные операции

Улучшение клиентского сервиса. Чем быстрее в клинике проходит процесс регистрации на прием, тем меньше очереди, удобнее работать врачам и лояльнее пациенты.

Сеть клиник «Инвитро» развернула систему распознавания лиц на базе облачной платформы Mail.ru Cloud Solutions. Как только пациент подходит к стойке, администратор видит на компьютере нужную карту и выдает направление в нужный кабинет. Это помогло избежать очередей в часы пик, упростить работу администраторов и обслуживать больше пациентов.

Диагностика заболеваний. Если загрузить данные осмотра и диагностики в программу, ее можно научить ставить диагнозы примерно так же, как это делают врачи.

Например, искусственный интеллект Corti прослушивает звонки в скорую помощь и распознает остановку сердца на основе ответов звонящих, их голоса и дыхания. В одном эксперименте программа распознала 93,1% остановок сердца, люди обычно распознают 72,9%. Кроме того, Corti работает быстрее — ставит диагноз за 48 секунд против 79 у диспетчеров-людей.

Сейчас систему внедряют в нескольких европейских городах — она будет работать в службе спасения вместе с диспетчерами. На видео слышно, как ИИ разговаривает с человеком, позвонившим в скорую.

Автоматические роботизированные операции. Машинное обучение помогает учить медицинских роботов самостоятельно оперировать пациентов, учитывая множество факторов.

В Калифорнийском университете роботу «показали» 78 фильмов об операциях, чтобы научить его накладывать швы. Благодаря такому обучению робот смог зашивать поддельные раны, правда, с точностью около 85% — для реальной работы этого пока недостаточно. Возможно, в будущем таких роботов можно будет использовать для автоматизации некоторых операций. На видео — процесс обучения робота.

Применение машинного обучения в ритейле и маркетинге: предсказание действий покупателей и контроль товарных остатков

Прогнозирование действий покупателей, персонализированные предложения и реклама. Обученный алгоритм может предсказывать поведение клиентов:

  • определять, кто в ближайшее время совершит покупку;
  • понимать, кто какие товары предпочитает, чтобы их рекомендовать;
  • предлагать персонализированные скидки, чтобы стимулировать покупки.

Например, сеть косметических магазинов «Рив Гош» использует машинное обучение, чтобы рассылать клиентам персональные предложения. Программа определяет, кто из покупателей может совершить покупку в ближайшие две недели, какие товары им лучше предложить и на что выдать скидку. У покупателей, с которыми работала система, средний чек выше на 42%, а повторные обращения за покупками составили 47%.

Банк Уралсиб тоже использует машинное обучение для персонализированных предложений. Например, система находит клиентов, которым не важен процент по кредитной карте, но важен кредитный лимит и продолжительность льготного периода. Им банк предлагает кредитки с повышенным лимитом. Персонализация уже помогла повысить продажи некоторых продуктов на 25%.

Прогнозирование спроса и автоматизация закупок. Машинное обучение помогает анализировать действия покупателей и товарные остатки, чтобы понять, что, когда и в каких количествах закупить.

Британская сеть супермаркетов Morrisons использует машинное обучение, чтобы предсказывать, какие товары и когда будут покупать. Система учитывает множество факторов, например, праздники и погоду. В итоге сети удалось на 30% сократить разрывы в поставках.

Больше примеров применения машинного обучения в ритейле читайте в статье «Как Machine Learning повышает продажи».

Машинное обучение в логистике: экономия ресурсов и предотвращение сбоев в поставках

Экономия топлива и повышение производительности транспорта. Топливо — одна из главных статей расходов в логистике. С помощью машинного обучения можно сократить его расход: оптимизировать маршруты или понять, как сократить количество автомобилей, сохранив производительность.

Морское подразделение компании Caterpillar внедрило машинное обучение, чтобы экономить ресурсы. Компания установила датчики на оборудование кораблей и выяснила: большее количество генераторов на меньшей мощности работают эффективнее, чем максимальное использование нескольких генераторов. Это решение сэкономило за год более 650 тысяч долларов.

Предотвращение сбоев в поставках. Задержка даже одного транспортного средства приводит к сбою во всей цепочке поставок: простоям, потере денег и недовольству клиентов. Машинное обучение помогает этого избежать: предсказывает риски, помогает вовремя их предотвращать и корректировать время доставки с учетом всех факторов.

Компания DHL использует искусственный интеллект Supply Watch. Он отслеживает различные риски: погодные условия, экологические факторы, загруженность дорог и даже уровень преступности, чтобы заранее информировать клиентов о возможных задержках в поставках.

Перспективы применения машинного обучения

В 2020 году 34% компаний в Европе, США и Китае используют искусственный интеллект и машинное обучение. По оценкам экспертов, к 2024 году рынок машинного обучения вырастет на 42%.

Согласно опросу Algorithmia, в 2020 году компании чаще всего используют машинное обучение, чтобы сократить расходы, лучше понимать поведение клиентов и улучшать клиентский сервис.

Ссылка скопирована!

Что еще почитать про ИТ-бизнес