4 способа использовать машинное обучение для решения проблем

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.