Тем, кто запланировал рекламную кампанию на этот год, такое положение дел покажется мрачным, но ещё это признак того, что сфера маркетинга созрела для модернизации. Пора использовать преимущества искусственного интеллекта (ИИ), чтобы с его помощью вывести рекламу на следующий уровень.

Искусственный интеллект для привлечения клиентов

Системы искусственного интеллекта давно работают в популярных продуктах таких компаний, как Amazon, Google, Netflix. За последние годы технология проникла в маркетинг ещё глубже и помогает брендам сокращать количество шагов потребителей к покупке. Более того, применение искусственного интеллекта в маркетинге теперь доступно малому и среднему бизнесу, а не только гигантским компаниям.

ИИ хвалит и рекомендует товары или услуги

Раньше при выборе товаров люди всегда отдавали предпочтение той продукции, которую им рекомендовали друзья. Сейчас наоборот — многие прислушиваются к отзывам независимых обозревателей в Интернете. Так будущие пользователи заранее формируют отношение к предстоящей покупке или определённым брендам.

Естественно, владельцы брендов хотят влиять на общественное мнение и упростить создание положительного образа у своей продукции. Они могут обучить ИИ писать обзорные статьи или хвалебные отзывы на множестве сайтов и в социальных сетях. Достаточно будет загрузить в систему характеристики товара, и описания конкретных преимуществ разойдутся по Сети в виде уникальных отзывов и кейсов использования.

Пионером в написании почти человеческих отзывов стала рекуррентная нейронная сеть, которую в августе 2017 создали 5 исследователей из Чикагского университета. Её обучили на тысячах отзывов, которые оставляли реальные клиенты в Amazon, TripAdvisor, Yelp. В результате нейросеть смогла писать отзывы, практически неотличимые от написанных людьми. Причём они успешно проходили проверку на плагиат, так как она генерировала их самостоятельно, а не составляла из фраз с сайтов.

В феврале 2019 организация OpenAI представила GPT-2 — ИИ с открытым исходным кодом, даже продемонстрировала версию, настроенную для генерации бесконечного количества положительных или отрицательных отзывов о продуктах. С тех пор компании уже более 2 лет используют подобные модели для продвижения. Дело дошло до того, что другие компании вынуждены обучать ИИ, чтобы выявлять фейковые отзывы, как машинные, так и человеческие, потому что люди-модераторы не способны их различать.

ИИ улучшает персонализацию рекламы

Интернетчиков часто заваливают рекламой, не соответствующей их интересам. Конечно, существуют методы таргетинга, которые позволяют показывать целевой аудитории более релевантный контент, но людей всё ещё трудно сгруппировать для эффективного маркетинга. Чтобы достичь идеальных результатов, необходим индивидуальный подход.

Для этого разрабатываются решения на основе ИИ, которые могут показывать или отправлять потенциальным клиентам персонализированные рекламные сообщения. Почти каждый человек в отдельности или отфильтрованная узкая группа людей со специфическими интересами увидят только объявления, отвечающие их потребностям. Наконец-то реклама будет вызывать нужную реакцию и улучшать пользовательский опыт, а рекламодателям она принесёт больше конвертабельного трафика.

Яркий пример искусственного интеллекта в маркетинге с персонализацией — Amazon. Он стал популярным потому, что запоминает и учитывает интересы покупателей: каждый просмотренный товар, каждую покупку, место получения посылки. На основе этой информации магазин рекомендует подходящие товары, вдобавок советует, что ещё приобрели люди, купившие такой же товар ранее. Рекомендательная система Амазона работает на движке с ИИ под названием DSSTNE. Потратив годы на создание своих алгоритмов, компания выложила библиотеку с открытым кодом на GitHub в мае 2016. Вы можете скачать её и изучить, а потом заказать у нас доработку под свои нужды.

Искусственный интеллект для настройки рекламы

Способности в составлении рекламных объявлений хотелось бы проиллюстрировать простым кейсом искусственного интеллекта в маркетинге банка Chase. Для него рекламные тексты генерирует модель от стартапа Persado. С 2016 года она применялась только для слоганов, рекламирующих банковские карты и ипотеку. В июле 2019, протестировав модель на новых продуктах, ей доверили писать тексты для всех направлений банка. По заявлению менеджеров, машина придумывает более привлекательные объявления, чем маркетологи. Например, пользователи переходили по заголовку «It’s true — You can unlock cash from the equity in your home» (версия машины) в 2 раза чаще, чем по «Access cash from the equity in your home» (версия людей).

ИИ автоматизирует ценообразование

ИИ способен увеличить продажи, если позволить ему корректировать коммерческие предложения. Пусть устанавливает цены на продукцию с учётом поведения пользователей и их потребностей, в зависимости от доступности товара и спроса на него. Эта тактика привлечёт больше новых клиентов, склонит их к покупке или целевому действию.

В свою очередь, машинное обучение для бизнеса и маркетинга позволяет классифицировать существующих клиентов, прогнозировать их ценность для компании на основе прошлого поведения и текущего намерения. После обучения такие данные будут пропущены через идентифицированные сигналы от клиентской базы и преобразованы в уникальное сообщение тем, кто может делать покупки чаще и крупнее.

Для сомневающихся в финансовых способностях машин есть кейс от платформы Peak. Её ИИ CODI помог ведущему британскому ритейлеру (название не разглашается) оптимизировать уценку и сохранить маржу при очистке складских запасов. CODI собрал и унифицировал данные по всей цепочке создания стоимости, предоставил мерчендайзерам прогнозируемое представление о спросе, а также порекомендовал идеальный ценовой диапазон для отдельных товаров. Команда мерчендайзеров использовала его рекомендации всего на 15% склада, и они помогли оптимизировать уценку, повысить производительность и сэкономить время. В результате ритейлер сэкономил £2,4 миллиона.

ИИ в рекламе с PPC

Как правило, PPC-кампании (с оплатой за клик) ведутся либо своими сотрудниками, либо рекламными агентами, то есть людьми. Если вы запускали кампании в Google Ads или Facebook Ads, то уже пользовались нейросетями этих ИТ-гигантов, чтобы выбить низкую цену в их автоматизированных аукционах контекстной рекламы с ИИ.

ИИ поможет вам открыть новые рекламные каналы, незнакомые вашим конкурентам, а также оптимизировать старые. С его помощью можно протестировать больше рекламных площадок и оптимизировать таргетинг. Так сейчас поступает Facebook со своей оптимизацией доставки рекламы. Также этот подход можно применить к данным омниканальных PPC-кампаний, если задействовать сторонние или собственные инструменты с ИИ.

Хорошо себя проявила маркетинговая платформа с самообучающимся ИИ от Albert Technologies. Этот стартап стал первопроходцем, показав возможности своего ИИ в июле 2017, ещё до того, как Oracle с Salesforce запустили аналогичные сервисы. Albert обрабатывает и анализирует данные об аудитории и тактике, автономно распределяет бюджет, оптимизирует рекламные кампании по платным поисковым и социальным каналам. Вот результаты пары свежих кейсов, где ИИ помогал управлять цифровой рекламой и повысил её эффективность:

1. Онлайн-ритейлеру продуктов по уходу за телом и домом Crabtree & Evelyn (Лондон) он поднял рентабельность расходов на рекламу на 30% (до 327%) за 2 месяца.
2. Инвестиционному онлайн-сервису Interactive Investor (тоже Лондон) он удешевил CPA и принёс 83% от всех конверсий благодаря удержанию 89% позиций в топ-10 по брендированным запросам.

Искусственный интеллект для поддержки сайта

Искусственный интеллект обладает огромным потенциалом, который могут использовать бизнесмены, владельцы сайтов, маркетологи, контент-менеджеры, SMM-специалисты, веб-мастера. Он помогает создавать, наполнять, оптимизировать сайты, а также облегчает продвижение в социальных сетях.

ИИ создаёт контент

Сегодня нейронные сети пишут на основе простых наборов правил и форматов читабельные новости, обзоры, статьи. Сгенерированные ими тексты воспринимаются так, будто написаны человеком. Анализ данных и авторский стиль зависят от настроек под конкретную компанию, чтобы точнее соответствовать её аудитории. Например, Associated Press использует нейросети для автоматизации отчётов о доходах обозреваемых компаний, а USA Today — для создания коротких видеороликов.

Выше мы упоминали GPT-2 от OpenAI. В мае 2020 организация выпустила новую, третью версию алгоритма обработки естественного языка. Сегодня GPT-3 считается самой продвинутой генеративной языковой моделью. У GPT-2 было: количество используемых параметров — 1,5 миллиарда, контекст — 1024 токена, размер датасета — 40 ГБ. У GPT-3 есть: количество используемых параметров — 175 миллиардов, контекст — 2048 токенов, размер датасета — 570 ГБ.

Вот популярные сервисы генерации контента, которые работают на основе GPT-3 и предлагают облегчить труд маркетологов, контент-менеджеров, копирайтеров:

• ContentVillain.com
• Conversion.ai (Jarvis)
• Copy.ai
• Copysmith.ai
• Nichesss.com
• Rytr.me
• ShortlyAI.com
• Writesonic.com

Они все платные, так как коммерческим компаниям OpenAI предоставляет доступ к своему API по 2 основным тарифам:

1. Ежемесячно $100 за 2 миллиона токенов, плюс ¢8 за каждую тысячу токенов свыше.
2. Ежемесячно $400 за 10 миллионов токенов, плюс ¢6 за каждую тысячу токенов свыше.

Разработчикам-энтузиастам OpenAI предлагает бесплатную версию: либо 100 тысяч токенов, либо пробный 3-месячный период. Для ориентира, 2 миллиона токенов ~ 3000 страниц текста.

Помимо контента для сайта, нейронные сети могут создавать уникальные посты для соцсетей. Подписчики вашего сообщества будут взаимодействовать с такими постами, не подозревая, что они написаны машиной. Так, The Washington Post давно использует собственную разработку Heliograf для создания новостей и постов в соцсетях. Этот машинный репортёр выдаёт по 900 статей в год.

ИИ оптимизирует сайт и конверсии

Хотя возможности ИИ далеки от создания мощных сайтов с нуля, он способен улучшить впечатления посетителей благодаря интеллектуальной персонализации двух компонентов вашего сайта или веб-приложения:

1. UX-дизайна. Анализируя сотни точек данных об одном пользователе (местоположение, демографию, устройство, взаимодействие с сайтом и прочее), ИИ может отображать подходящие предложения и контент. Известные примеры: Adobe Sensei, Attention Insight, Insider GMP, MoEngage.
2. Пуш-уведомлений. За счёт поведенческой персонализации пуш-уведомления могут стать индивидуальными для каждого получателя, доставляя нужное им сообщение в удобное время. Известные примеры: Amazon SNS, Notification Hubs в Microsoft Azure.

Используйте ИИ, чтобы автоматизировать большую часть персонализации своего сайта. В результате посетители будут видеть наиболее релевантный контент, уведомления и предложения в зависимости от предпочтений.

ИИ также поможет вам распознать, когда поток данных останавливается или когда на сайт поступает неожиданный трафик. Вряд ли ваши сотрудники могут проверять аналитику ежесекундно, а ИИ запросто это делает. Эта информация поможет вам поддерживать бесперебойную работу сайтов, а также разбираться с возникающими аномалиями.

Искусственный интеллект для обслуживания клиентов

Если внедрить искусственный интеллект в рекламу и продажи, он будет круглосуточно консультировать клиентов, переводя их на живых сотрудников только в особых случаях. Получая текстовый или голосовой запрос из любого канала, он будет анализировать его, понимать смысл и автоматически отвечать клиенту. Обычно в службу поддержки внедряют систему попроще, а в отдел продаж требуется более умная машина.

Чат-боты с ИИ

Интеллектуальные чат-боты (на основе ИИ, а не скриптов) обслуживают клиентов во множестве сфер — от моды и развлечений до здоровья и страхования. Причём они ведут диалоги более дружелюбно, чем люди-менеджеры. Такое преимущество достигается за счёт того, что боты не подвержены предрассудкам, стрессу, усталости.

Ещё чат-боты лучше понимают, чего хотят клиенты, так как имеют доступ к тысячам точек данных, связанных с ними. Боты агрегируют запросы, зависящие от местоположения, выявляют закономерности, пополняют базу данных повторяющимися вопросами. Это повышает их осведомлённость об интересах обращающихся людей.

Сегодня чат-боты с ИИ стали необходимым инструментом персонализированного маркетинга. Компании уже повсеместно используют их для обслуживания каждого онлайн-посетителя, а не только для базы существующих клиентов. Проще всего внедрить готового чат-бота от какого-нибудь сервиса, например:

• Conversica.com
• Drift.com
• Exceed.ai
• Spectrm.io

Если их возможности покажутся вам неподходящими, то можете создать собственного чат-бота на таких платформах, как Botkit.ai, Botsify.com, Morph.ai, Wit.ai. Если в вашей компании нет программистов, тогда мы вам разработаем чат-бота с искусственным интеллектом.

Прогнозирование оттока и удержание клиентов

Стоимость привлечения новых клиентов выше, чем стоимость удержания старых (иногда в 10 раз). А когда скорость их привлечения снижается, приходится повышать лояльность существующих клиентов. Для этого надо запустить прогнозирование оттока.

Выявить тех, кто отстранился или собирается уйти к вашим конкурентам, способен ИИ. С помощью машинного обучения можно собрать данные, построить прогнозную модель, а потом проверить её на клиентах. Эта информация даст понять, на какой стадии разочарования находится каждый из них.

Прогнозирование оттока клиентов с помощью ИИ позволяет анализировать омниканальные события и выявлять снижение вовлеченности клиентов. Если система обнаружит поведение, указывающее на убывание интереса (например, сокращение времени использования), она станет отправлять пользователям соответствующие предложения, пуш-уведомления, электронные письма, чтобы поддерживать их интерес.

Примеры работающих сервисов прогнозирования:

• Платформа машинного обучения Cortex от Vidora преобразует необработанные данные в непрерывные прогнозы. Она позволяет маркетологам добавить машинное обучение в рабочие процессы без программирования и получить отдачу от накопленной информации о клиентах.
• Платформа Data Science Studio от Dataiku помогает строить модели для сегментации клиентов и прогнозирования вероятного оттока. Она упрощает маркетологам доступ к данным и их очистке, предлагает алгоритмы машинного обучения и плагины для интеграции со 117 популярными сервисами.

Автоматическое распознавание изображений

Возможно, вы заметили, насколько качественно Гугл Фото стало распознавать изображения и людей на них. В последние годы разработчики прокачали способности программного обеспечения в распознавании — точность превышает 99%. Такие крупные компании, как Amazon, Facebook и Pinterest, используют искусственный интеллект для распознавания изображений, чтобы идентифицировать на них людей и объекты.

В рекламе машинное обучение и распознавание изображений пригодится для лучшей синхронизации онлайн-контента и посещений магазинов. Магазины используют программы для распознавания лиц на видео, чтобы узнавать о приходе постоянных покупателей и связывать эти видео с их профилями. Так, 59% британских розничных продавцов модной одежды устанавливают программы для распознавания лиц в своих магазинах. А используя ИИ для пуш-уведомлений, они отправляют посетителям персонализированные приветствия и предложения со скидками.

Внедрение искусственного интеллекта в маркетинг вашей компании

Маркетинг сильно изменился: раньше он ориентировался на продукт, а теперь на клиента. Ключевую роль в этом сыграли развитие и внедрение технологий искусственного интеллекта. По прогнозам McKinsey, потенциал ИИ в сфере маркетинга составляет $1,4–2,6 триллиона.

По оценкам Deloitte, уже каждая вторая компания использует машинное обучение в маркетинге. Бизнесмены и маркетологи полагаются на ИИ и планируют дальше получать выгоды от его применения. Так что это не просто следование тенденциям, а необходимость выживания в конкурентной среде.

Если вам нужно задействовать ИИ в маркетинге, то Netside готов разработать подходящие для этого программы и приложения. Для точной оценки стоимости и сроков разработки, а также для получения подробной информации об услугах заполните короткую заявку, и наши специалисты сразу свяжутся с вами.

Финансовые компании постоянно собирают полные данные о пользователях услуг, но не используют их эффективно для прогнозирования потребностей своих клиентов. Им необходимо найти способы сочетания такой ценной информации с современными технологиями, а в этом как раз помогут решения на основе искусственного интеллекта (ИИ).

Суть финтеха

Финансовые технологии (ФинТех) — это цифровые инновации в финансовом секторе. Сначала понимание термина ограничивалось инновационными способами упрощения платежей и переводов. Благодаря революционным сдвигам в мобильных и интернет-технологиях, произошедшим за последние годы, финтех стал участником взрывного роста. Сейчас это явление относится к широкому спектру технологических вмешательств в сферу финансовых услуг:

• краудфандинг;
• привлечение инвесторов через Интернет;
• мобильные платежи;
• P2P-кредитование;
• mPOS;
• услуги MSME;
• управление личными финансами;
• частное финансовое планирование;
• блокчейны.

Также финтехи — это компании, предоставляющие исключительно финансовые услуги с использованием цифровых технологий. Например, онлайновое и мобильное банковское обслуживание, электронные и мобильные платежи вне банков.

В 2018 году появилось родственное понятие — техфины. Так нарекли технологические компании, которые дополнительно предлагают финансовые услуги наряду со своими главными продуктами, основанными на технологиях. При этом финансовые продукты технически совершеннее тех, что предлагают банки. Пока это узкий сегмент ИТ-отрасли, в него входят такие корпорации, как Google, Amazon, Apple и Facebook в США, Alibaba и Tencent в Китае. Они не считаются финансовыми компаниями, финтехами или цифровыми банками, потому что работают без поддержки традиционных банков, их основная деятельность не связана с финансами.

Хоть ИИ давно существует как технология, он становится чаще необходим любым компаниям, которые обращают внимание на активно развивающиеся направления: умную автоматизацию, машинное обучение, робототехнику, аналитику. Естественно, поставщики финансовых услуг прилагают усилия, чтобы внедрить многое из этого ради автоматизации постоянных задач, последовательного обслуживания клиентов, глубокого анализа поведения, эффективного поиска мошенничества.

Польза искусственного интеллекта в сфере финансов

Сильная конкуренция на рынке и новые требования клиентов привели к тому, что продвинутые финансовые компании доверились искусственному интеллекту. И он оказался надёжным помощником, позволяющим опережать конкурентов и оказывать клиентам персонализированный сервис по сниженной стоимости. Вот каким учреждениям технология помогает модернизировать старые услуги или предоставить новые:

1. В банках ИИ повышает качество сервиса, обслуживая клиентов в режиме реального времени. Здесь чат-боты, голосовые и виртуальные помощники задействуются не только для информирования, но и для денежных операций.
2. В кредитных компаниях он легко идентифицирует личности, оценивает кредитоспособность, выявляет мошенников.
3. В страховых компаниях он автоматизирует заявки по страховым случаям, определяет риски, обнаруживает мошенничество со страховками.

Финтех-стартапам разработки на основе ИИ помогают конкурировать с перечисленными типами организаций или же наладить с ними сотрудничество через B2B. А в B2C появляются посредники, зарабатывающие на формировании комплексных услуг из множества мелких, предоставляемых разными компаниями.

Помимо решения задач в финансах, ИИ способен наладить любые бизнес-процессы на бесперебойную работу. Например, автоматизировать внутренние процедуры, уменьшить время обработки неструктурированных и больших данных, снизить повторные расходы, составлять отчёты. ИИ быстро обретает знания и самообучается, улучшая взаимодействие человека с машиной.

Искусственный интеллект как финансовая технология

Финансовые компании первыми стали использовать мейнфреймы и реляционные базы данных. Они с нетерпением ждали следующего уровня вычислительной мощности.

Гонка вычислений в последние 20 лет снова произвела революцию. Теперь уже и в финансах искусственный интеллект помогает повышать эффективность и улучшать результаты. Машинное и глубокое обучение, нейронные сети, аналитика больших данных и многое другое позволили компьютерам обрабатывать разнообразные и огромные наборы данных.

Экономия и увеличение прибыли банков

На заре банковского дела банкиры были на короткой ноге со своими клиентами, чтобы помогать им управлять финансами грамотно. Но в нынешнем цифровом мире личная связь пропала. Чтобы её восстановить, можно задействовать искусственный интеллект в банке. Пройдя машинное обучение, он сможет обрабатывать большое количество информации о клиентах. Потом ИИ проанализирует эти данные и подберёт подходящие клиентам продукты. Этот индивидуальный подход помогает достичь высокого уровня их удовлетворённости.

По прогнозу Autonomous Next, к 2030 году банки с помощью ИИ смогут сократить расходы на 22%. В денежном выражении глобальная экономия достигнет $1 триллиона.

Согласно выводам из исследования Emerging Technologies, компании, использующие ИИ в финансовой и операционной деятельности, увеличили годовой доход на 58%, а годовую прибыль — на 80%. Его проводили Enterprise Strategy Group с Oracle в 2019 году, опрашивая онлайн 700 финансовых и операционных директоров из 13 стран.

Российские банки уже пару лет увеличивают прибыль благодаря экономии. Например, Сбербанк в 2020 году заработал дополнительно $3 миллиарда, используя искусственный интеллект и анализ данных при управлении рисками.

Принятие точных решений

Управленческие решения с учётом данных приводят к новому стилю управления с меньшими затратами. Вместо того, чтобы обращаться к дорогим экспертам, руководители банков и страховых компаний могут задавать правильные вопросы машинам.

ИИ проанализирует закономерности и тенденции в данных, избавив команду от необходимости обрабатывать огромные объёмы информации. Затем предоставит рекомендации, которые помогут руководителям и командам принять лучшее решение.

По оценке IDС, компания, в которой работает около 1000 сотрудников интеллектуального труда, ежегодно тратит $5 миллионов на поиск информации, неудачные попытки найти данные, дублирование существующих документов (если не удаётся найти нужные). ИИ помогает искать данные в корпоративных системах, определяя общий смысл запроса и находя документы с важной информацией, например, финотчёты, договоры, презентации.

Прогнозирование в финансовых услугах

Прогнозная аналитика способна влиять на стратегию бизнеса, стимулирование продаж, оптимизацию ресурсов. Она может изменить правила игры, улучшить бизнес-операции и внутренние процессы.

В сфере финансовых услуг прогнозная аналитика применяется для сбора и систематизации данных, их анализа с помощью передовых алгоритмов. Объёмы данных потом используются для поиска закономерностей и прогнозирования результатов.

Прогнозный анализ, сделанный ИИ, поможет рассчитать кредитные рейтинги и предотвратить просрочку кредитов. Его рекомендации подскажут, что будет дальше: какие услуги купят потребители, как долго проработают сотрудники и прочее. Благодаря ИИ можно создать для каждого клиента индивидуальное предписывающее решение.

Андеррайтинг в страховании

ИИ поможет страховщикам автоматизировать андеррайтинг и использовать черновую информацию для принятия более эффективных решений в отношении клиентов. Автоматизированные агенты помогут пользователям составить требования к страхованию.

Потребность в страховке обычно появляется после возникновения ущерба. Автоматический андеррайтинг значительно ускорит процесс, предоставляя необходимые тесты и связывая соответствующие наборы данных. Вместо того, чтобы оплачивать дорогое лечение (если без страховки), лучше сразу выявлять риски заболевания и предотвращать их. Можно использовать прошлые данные для определения рисков, чтобы снизить вероятные убытки страхователю и страховщику.

Выгоды вашим клиентам, потребителям услуг

Ваши клиенты тоже с удовольствием оценят преимущества искусственного интеллекта и станут им пользоваться. Предложите им автоматизированные инструменты, облегчающие инвестирование или финучёт; помогите сократить расходы и увеличить доходы. Если предоставите им такую возможность, то повысите лояльность аудитории к вашей финтех-компании.

Виртуальные финансовые советники

Виртуальные помощники по финансовому планированию посоветуют клиентам компании высокодоходные решения и помогут в управлении активами. Они автоматически отслеживают события и тренды на фондовом, валютном, сырьевом рынках, учитывая финансовые цели и портфель пользователя.

ИИ грамотно подбирает рекомендации относительно покупки или продажи активов, почти так же, как опытные финансовые советники. Поэтому такие системы ещё называют робо-советниками. Они всё чаще включаются в услуги, предлагаемые как авторитетными финансовыми компаниями, так и финтех-стартапами.

Управление личными сбережениями

Финансовые учреждения давно предлагают консультационные услуги по управлению сбережениями и экономии расходов в сегменте B2C. Финтех-компании делают то же, только дешевле.

Умные кошельки на основе ИИ отслеживают поведение пользователя, а потом рекомендуют изменить или где-то ограничить расходы, чтобы сэкономить деньги частным лицам.

Внедрение искусственного интеллекта в финансовую компанию

Потенциал для расширения услуг, сокращения затрат и улучшения качества обслуживания клиентов за счёт автоматизации уже не кажется научной фантастикой, ведь теперь компаниям доступны искусственный интеллект и машинное обучение. Однако финтех-индустрии необходимо тесно сотрудничать с разработчиками, дизайнерами, инженерами, техническими специалистами. Только они смогут реализовать вашу новую концепцию финансового продукта, чтобы вы монетизировали его эффективно.

В условиях жёсткой конкуренции в финансовом секторе современное программное обеспечение на основе искусственного интеллекта поможет повысить конкурентоспособность вашего бизнеса и привлечь новых клиентов.

Если хотите закрепиться на рынке финансовых услуг благодаря ИИ, то Netside готов разработать необходимые для этого решения. Чтобы узнать стоимость работ и сроки разработки, а также получить подробную информацию об услугах, заполните короткую заявку, и мы мгновенно свяжемся с вами.

Программисты совместно с математиками и аналитиками дали рынку полезный инструмент — торговых роботов (или ботов), которые проводят операции за счёт заложенных алгоритмов и предоставленных данных. Популярность алгоритмической торговли на биржах привела к появлению высокочастотного трейдинга.

Трейдеры, брокеры, инвестиционные фонды уже не обходятся без разработчиков роботов, потому что люди не способны торговать с маленькими спредами на высокой скорости и концентрации. Одни создают стратегии, другие пишут алгоритмы, а боты по ним торгуют — так работает трейдинг в XXI веке. Вернее, работал.

С усилением конкуренции на рынке и развитием направления «Большие данные» возможностей ботов стало недостаточно. В автоматизированном трейдинге их начали сменять машины, которые при той же работоспособности могут ещё думать как человек, — модели нейронных сетей и искусственного интеллекта (ИИ).

Участие искусственного интеллекта в биржевой торговле

Профессиональные трейдеры периодически вынуждены модернизировать свои наработки, так как прогресс делает трейдинг сложнее. В 2000–2015 гг. им пришлось конкурировать с торговыми ботами, а потом научиться настраивать их, чтобы силы уравнялись. Примерно с 2015 года трейдерам и их ботам приходится конкурировать уже с искусственным интеллектом.

За последние 5 лет количество торговых систем с ИИ значительно выросло. По мере их распространения и влияния на рынок трейдеры, использующие устаревшую автоматизацию, наблюдают падение доходов. И наоборот, те, кто использует искусственный интеллект для торговли на биржах, получают результаты лучше, чем средние по рынку показатели.

Способности ИИ в торговле на бирже

По сравнению с ботами, которых надо постоянно перенастраивать, искусственный интеллект способен действовать самостоятельно, без вмешательства людей. Он может придумывать торговые стратегии, тестировать и дорабатывать их. Может учитывать рыночные тренды, чтобы совершенствоваться с помощью свежеобретённых знаний. То есть ИИ умеет имитировать мышление аналитиков.

Вот ещё несколько способностей ИИ, которые используются на благо трейдеров, брокеров, фондов, а также их клиентов:

• сбор информации из новостей, социальных сетей, тематических сайтов для её применения в фундаментальном анализе;
• обработка рыночных данных, фондовых индексов для их применения в техническом анализе;
• консультирование по среднесрочным инвестициям;
• управление портфелем активов, его диверсификация;
• составление рейтинга аналитиков, проверка их результативности при выборе лучших стратегий для зеркального трейдинга;
• построение поведенческих моделей в периоды рыночных потрясений;
• выявление случаев сговора и манипулирования на рынке.

На что ИИ не способен, хотя это всё равно достоинства, а не недостатки: не проявляет человеческие эмоции, такие как жадность и страх; не строит иррациональные догадки. ИИ на бирже показывает результаты лучше, чем алгоритмические боты, не говоря уже о превосходстве над людьми.

Создание торговых стратегий искусственным интеллектом

Искусственный интеллект становится главным компонентом при разработке торговых стратегий для труднопрогнозируемых рынков. Он не просто торгует по написанному алгоритму, а постоянно собирает и обрабатывает огромные массивы данных, анализирует события и тренды, сам принимает решения.

Сбор данных

Сегодня к ИИ применяют глубокое обучение, чтобы он разборчиво собирал неструктурированные данные из различных источников, таких как новости и посты в социальных сетях. Обычно поступающие данные выглядят как хаотичная структура. Однако даже в такой структуре характерно то, что прошлые события могут оказать влияние на настоящие и будущие тренды.

ИИ использует исторические данные, чтобы понять, как текущий рынок отреагировал бы на прошедшие события. Так он сможет отрегулировать свои торговые стратегии. Хоть это не сразу приносит выгодный результат, но в перспективе позволяет ИИ научиться продуктивности в будущих рыночных условиях.

Организация данных

Принцип работы программ с ИИ для торговли на бирже мало чем отличается от подхода, используемого аналитиками. Следующий шаг после сбора данных — организовать их и разделить на определённые группы. Существует два набора данных:

1. Обучающий набор, предназначенный для обучения и настройки алгоритма перед тестированием.
2. Тестовый набор, приводящий в действие откалиброванный алгоритм.

Построение торгового алгоритма

Идея алгоритма заключается в том, чтобы прогнозировать динамику цены актива, которым торгует трейдер или инвестиционный менеджер. Существует много способов построения прогнозирующего алгоритма, однако большинство из них пытаются упростить проблему, а затем следуют двухклассовой модели, основанной на факторах сигнала и предсказуемости:

1. Сигнал указывает на то, что ожидается: повышение или понижение цены.
2. Предсказуемость показывает уверенность в сигнале.

После того как сгенерируются выходные данные, трейдер получает нужный сигнал.

Практическое применение искусственного интеллекта в трейдинге

Финансовый и ИТ-рынки изменчивы, так что машины тоже нуждаются в совершенствовании. За последние 4 года многие компании предлагали трейдерам инструменты и сервисы на основе ИИ, но половина из них обычно закрывались через 2-3 года. Перечислим интересные проекты, которые продолжают работать в 2021 году.

ИИ-фолловер Buzz

Канадская компания BUZZ Indexes собирает большие данные из соцсетей, тематических СМИ и блогов, пишущих о трейдинге и инвестициях. Затем её система с ИИ фильтрует эти данные и интерпретирует, какое у интернет-сообщества складывается мнение о часто упоминаемых акциях: положительное, отрицательное или нейтральное. На основании 15 миллионов точек данных строится аналитическая модель с учётом настроений инвесторов.

Каждый месяц компания формирует BUZZ NextGen AI US Sentiment Leaders Index по лицензии Van Eck Associates Corporation. Это индекс интереса к 75 популярным акциям американских компаний с крупной капитализацией.

ИИ на службе количественного трейдинга в Walnut

Французская компания Walnut Investments занимается количественным управлением инвестициями, применяя ИИ в стратегиях с абсолютной доходностью. Она сочетает финансовую экспертизу с методами машинного обучения для создания прибыльных самообучающихся торговых систем. Walnut выстраивает торговые стратегии так:

• Машинное обучение — для точного, быстрого, непрерывного анализа больших объёмов данных. Так достигается педантичность в измерении и контроле статистической надёжности, но без жёстких правил.
• Количественное инвестирование — для торговли по взвешенным решениям, без оглядки на интуицию или случайности. Так увеличивается статистическая значимость, за счёт последовательного применения математики и рыночного обоснования.
• Диверсификация — для снижения риска, особенно когда происходит корреляция во время кризиса. Так защищаются позиции и контролируется уровень подверженности рискам.

У Walnut ещё есть Singularity — программа краткосрочных фьючерсов с систематическим управлением. В ней машинное обучение используется для обнаружения длинных и коротких импульсов, а также сигналов возврата к среднему. Торговля фьючерсами ведётся только внутри дня, позиции не удерживаются на ночь.

На заметку тем, кто планирует разработать или заказать похожий проект: с июня 2016 по июль 2017 Walnut Investments SASU привлекла венчурные инвестиции и получила грант на общую сумму €1,5 миллиона.

ИИ как управляющий хедж-фондом Numerai

Калифорнийский хедж-фонд Numerai управляет долгосрочными/краткосрочными инвестициями в акции с помощью ИИ. По замыслу разработчиков, он должен стать глобальным краудсорсинговым хедж-фондом, способным прогнозировать фондовые рынки. Сейчас он поддерживается сетью анонимных специалистов по обработке данных. Они создали и обучили уже 2774 модели на данных, очищенных и упорядоченных хедж-фондом.

Numerai был первым в мире хедж-фондом с ИИ, который выпустил собственную криптовалюту — токен Numeraire (NMR). Компания проводит еженедельный турнир среди специалистов по данным, предоставившим свои прогнозы, а потом выплачивает им вознаграждение в нативных токенах или эфирах (ETH). На основе лучших прогнозов хедж-фонд создаёт торговые стратегии, чтобы зарабатывать самому и своим инвесторам.

На заметку тем, кто планирует разработать или заказать похожий проект: с апреля 2016 по июнь 2020 Numerai GP, LLC привлекла венчурные инвестиции на сумму $21,5 миллиона; в августе 2021 цена NMR составляла $45.

Искусственный интеллект на бирже в сравнении с трейдером-человеком

Сегодня, с распространением ИИ, операции традиционных трейдеров составляют 10% от общего объёма торгов, а ведь ещё в 2012 году на долю их операций в США приходилось 55%. В то же время более 2000 хедж-фондов (а всего их около 11 000) используют ИИ при разработке большинства торговых стратегий. Это высокий показатель применения искусственного интеллекта в торговле и инвестиционной деятельности.

Многозадачность

Обученные машины способны обрабатывать бесчисленное количество данных за считаные минуты. Таким же образом они могут находить и обрабатывать исторические данные и повторяющиеся модели для ведения «умной» торговли, которые часто скрыты, недоступны или неочевидны людям.

Трейдеры не способны обрабатывать такое количество данных или хотя бы обнаруживать их. Например, когда дело касается высокочастотного трейдинга, то некоторые используют ИИ для расшифровки более 250 миллионов всевозможных точек данных с Нью-Йоркской фондовой биржи уже в первый час с открытия торгов.

Скорость торговли

Хоть ИИ — не революционная технология, он существенно ускоряет торговые операции. Сегодня каждая миллисекунда имеет значение. Если вы брокер или управляющий инвестиционного фонда, то ИИ облегчит вашу работу: клиентам не нужно звонить и делать заявки, ведь торговля будет автоматизированной.

Анализ настроений и прогнозирование

Штудируя заголовки статей, новостей, постов в социальных сетях, блогах и других тематических источниках, ИИ может прогнозировать движение цен на акции и возможные действия других трейдеров. Он проводит анализ настроений — это процесс категоризации мнений (или настроений), которыми люди активно делятся в Интернете.

Самообучение

ИИ не идеален с первых дней работы, но способен улучшать свои навыки. Он будет учиться на собственных ошибках, постоянно совершенствоваться. Для этого есть автоматизированные торговые советники, с помощью которых ИИ работает над улучшением производительности, не только путём тонкой настройки имеющихся данных, но и за счёт добавления и анализа новых.

Модернизация трейдинга с помощью искусственного интеллекта

Многие трейдеры и инвесторы уверены, что в ближайшее время применение компаниями искусственного интеллекта на бирже распространится повсеместно. Системы на его основе легко использовать, они функционируют прозрачно и торгуют аккуратно.

Искусственный интеллект уже начал менять правила трейдинга. Воспользуйтесь его преимуществами и модернизируйте деятельность вашей брокерской фирмы или инвестиционного фонда. Он поможет вашим клиентам рационально инвестировать и грамотно распоряжаться активами.

Если хотите использовать ИИ в трейдинге или управлении инвестициями, то Netside готов разработать необходимые вам решения. Чтобы узнать стоимость работ и сроки разработки, а также получить подробную информацию об услугах, заполните короткую заявку, и мы мгновенно свяжемся с вами.

Скачок в развитии речевых технологий произошёл благодаря снижению стоимости вычислительных ресурсов. Теперь стало выгодно создавать большие нейронные сети и с их помощью обрабатывать данные для распознавания речи и решения других задач. Люди уже перестали замечать, что общаются с машиной, а не человеком, когда звонят оператору связи или в банк.

Для качественного распознавания речи используются последние достижения в машинном обучении. Благодаря алгоритмам нейронных сетей с высоким уровнем обучаемости и большим лексиконам достигается высокая точность распознавания.

Где применяются системы распознавания речи

Сегодня сформировались 4 основных направления, в которых технология распознавания речи с машинным обучением смогла себя проявить:

1. Распознавание для систем голосового обслуживания и интерактивных автоответчиков. Они распространены в колл-центрах, сервисах самообслуживания, онлайн-банкинге. К их приветствиям и голосовым меню уже давно все привыкли.
2. Распознавание и идентификация по голосу. Крупные банки используют его для идентификации клиентов по голосовому отпечатку, для голосовой подписи, а также в системах безопасности.
3. Речевая аналитика звонков и переговоров. Предназначена для оценки отзывов и удовлетворённости клиентов, повышения качества работы операторов, выявления трендов при обращениях в службы поддержки и отделы продаж.
4. Голосовое управление. Применяется во многих сферах, например: в быту — для управления «умным» домом, электронными приборами, даже имейлом и браузерами; в автопромышленности — для привычных навигаторов, а скоро и для управления беспилотным автотранспортом.

Что предлагают ИТ-гиганты

Ведущие технокомпании Apple, Microsoft, Amazon и Google уже достаточно давно предлагают использовать свои сервисы распознавания речи — Siri (2011), Cortana (2014), Alexa (2014) и Assistant (2016) соответственно.

Apple Siri

Первым массовым голосовым виртуальным помощником была Siri. В октябре 2011, когда Apple впервые интегрировал его в iPhone 4s, такой мобильный ассистент стал прорывом, ведь через него можно было голосом заказать такси, купить билет на концерт или поискать отзывы об интересующем ресторане.

Сегодня возможности Siri включают в себя расширенные функции с распознаванием речи: проверка фактов, перевод текстов, планирование расписания и назначение встреч, переводы денег между банковскими счетами/картами, сравнение акций и слежение за котировками, управление другими «умными» устройствами и прочее. А благодаря новым наработкам Apple, таким как система машинного обучения Overton и спецприложение Shortcuts (Быстрые команды), можно усовершенствовать Siri.

Microsoft Cortana

Microsoft была второй корпорацией, представившей голосового виртуального помощника, Cortana. Она разрабатывала своего ассистента с 2009 года, но пионером не стала, так как релиз вышел только в апреле 2014, причём сначала на десктопах.

Сегодня Cortana работает не только на ПК, но и в «умных» колонках и смартфонах. Она умеет решать множество задач: от помощи с ведением записей в календаре и составлением заметок до заказа продуктов питания в интернет-магазине.

Amazon Alexa

Первые 3 года голосовой виртуальный помощник Alexa использовался только в собственных продуктах Amazon. С декабря 2017 компания предоставляет бизнесменам доступ к нему через облако Amazon Web Services. Amazon совместно с Intel выпустили наборы разработки для Alexa Voice Service, который позволяет сторонним компаниям встраивать Alexa в их устройства.

В AWS также есть Amazon Transcribe — более простой сервис распознавания речи и преобразования в текст. Он позволяет разработчикам добавить функцию преобразования речи в свои приложения. Сервис использует глубокое обучение, чтобы автоматически распознавать речь, быстро и безошибочно преобразовывать её в текст.

Google Assistant

У Google тоже есть голосовой виртуальный помощник — Google Assistant. Он очень функционален и умеет, например, совершать платежи через Google Pay, устранять неполадки в смартфоне. В отличие от аналогов он может участвовать в двухстороннем разговоре, используя алгоритм обработки естественного языка. Также Google через Actions предоставляет SDK, который позволяет сторонним разработчикам встраивать голосовые функции в свои приложения с искусственным интеллектом.

Помимо Assistant, есть ещё один продукт Google с распознаванием речи — Speech-to-Text. Это API для подключения к искусственному интеллекту через облако. Распознавание речи в текст делается с помощью алгоритмов нейронной сети, прошедшей глубокое обучение. Инструмент работает со 120 языками и позволяет управлять и командовать голосом, транскрибировать аудио из колл-центров, обрабатывать потоковое или предварительно записанное аудио в реальном времени.

Как улучшить качество обслуживания

Вариантов применения распознавания речи много, но большинство бизнесменов хотели бы управлять потоком обращений, чтобы фильтровать потенциальных покупателей и таким образом влиять на продажи. Система автоматического распознавания речи как раз способна повысить лояльность клиентов благодаря персонифицированным предложениям и оперативным откликам из колл-центра. Ведь вся полезная информация уже содержится в речи клиентов, надо только обрабатывать её.

Такие системы не ограничиваются одним распределением входящих и исходящих звонков. Они не только экономят время колл-операторов и снижают нагрузку на них, но и облегчают работу другим отделам и службам компании:

• менеджменту — повышают качество обработки заказов;
• курьерам — ускоряют доставку;
• сервисникам — выявляют проблемы.

Замена устаревших методов хотя бы на одну программу распознавания речи в текст позволит компании сократить затраты на внедрение и использование колл-центров на 35%. А анализ предоставленных ею данных поможет увеличить продажи как минимум вдвое.

Внедряйте распознавание речи в ваш бизнес

Netside предлагает прогрессивные решения на основе технологии распознавания речи. Их применение поможет вам оптимизировать бизнес-процессы. Наши разработчики готовы создать или интегрировать программу распознавания речи любой сложности, с адаптацией под вашу сферу деятельности.

У нас 10-летний опыт в машинном обучении и автоматическом распознавании речи. Заказчикам разрабатываем приложения и сервисы как для себя. Чтобы узнать стоимость работ и сроки разработки под конкретные задачи, заполните форму заявки, и мы сразу же свяжемся с вами.

Достижения в распознавании графических изображений привели к тому, что компьютеры и смартфоны стали способны имитировать человеческое зрение. Усовершенствованные фотокамеры в современных устройствах делают снимки очень высокого разрешения (выше 30 Мп), а новые программы потом извлекают из них нужные данные, чтобы на их основе сервер провёл обработку изображений и распознавание.

Как устройства понимают, что изображено на фото

Вы можете не осознавать этого, но человеческий мозг — прекрасная машина для распознавания, ведь он может получить массу информации всего лишь из одной картинки. Достаточно посмотреть на картинку выше. Если бы вас спросили, что на ней, то что бы вы ответили? Вероятно, что там нарисованы 6 человек, кошка, 3 мобильных устройства, монитор, несколько иконок.

Персональный компьютер пока не способен одновременно выдать такой объём информации по картинке или фото, достичь такой предельной точности. Однако технология распознавания изображений приближает нас к этому.

Так как же устройства понимают, что изображено на рисунке или фотографии? С помощью специальных алгоритмов, которые заложены в свёрточные нейронные сети — особую архитектуру искусственных нейронных сетей, предназначенную для эффективного автоматического распознавания изображений. Принцип работы алгоритмов распознавания изображений заключается в чередовании свёрточных и субдискретизирующих слоёв. В процессе свёртки каждый кусок изображения умножается на матрицу свёртки пофрагментно, а результат суммируется и записывается в подобную позицию выходного изображения.

Эти операции в действительности не происходят в самих мобильных устройствах. Любой смартфон, даже с самой мощной начинкой, всего лишь пересылает фотографию серверу, где происходит обработка и сверка с базой данных. Так что нейронная сеть с распознаванием изображений развёртывается на серверном оборудовании, а не на пользовательских устройствах. Получается, в компьютерном зрении фотокамера смартфона или ноутбука — это просто глаза. А мозгом, обрабатывающим увиденное, выступает сервер, находящийся далеко от глаз (в другом городе или стране).

Зачем нужно распознавать изображения

Сегодня распознавание изображений — одна из основных и широко используемых задач компьютерного зрения. Распознавание образов на изображениях и извлечение признаков также выступают важной частью других, более сложных методов компьютерного зрения, таких как обнаружение объектов и сегментация изображения.

Довольно большая и универсальная функциональность распознавания может обеспечить целый ряд полезных функций как для персонального пользования, так и для коммерческого, например:

• модерация пользовательского контента;
• улучшенный визуальный поиск;
• интерактивный маркетинг.

Это только малая часть из доступных примеров. Сама суть заключается в том, что распознавание изображений уже сейчас формирует наше будущее.

Что предлагают ИТ-гиганты

Ведущие технокомпании уже достаточно давно предлагают использовать свои сервисы распознавания изображений. Так, у Amazon есть Rekognition (с 2016), у Google есть Lens и Cloud Vision (с 2017).

Amazon Rekognition

Amazon Rekognition — SaaS-система распознавания изображений, позволяющая добавить в приложение функцию автоматического анализа и распознавания фото/видео. Работает на основе глубокого обучения, которое проводится двумя методами: на предварительных данных, собранных Amazon или его партнёрами; на данных, настраиваемых пользователем.

Amazon Rekognition распознаёт объекты, людей, действия, сцены, текст на фото/видео, а также определяет нежелательный контент. После распознавания изображения лица, оно анализируется с высокой точностью, что позволяет искать лица, которые можно применять для обнаружения, анализа и сравнения в тех случаях, когда необходима проверка или подсчёт людей. Система даже умеет определять эмоциональное состояние лица по внешним признакам.

Бизнесу Amazon Rekognition предлагает дополнительный сервис Custom Labels, с помощью которого можно идентифицировать объекты и сцены, соответствующие сфере деятельности. Например, можно создать модель для классификации деталей оборудования или для выявления нездоровых животных. Custom Labels сами построят модель, так что пользователям не надо проводить машинное обучение. Им нужно только загрузить фотографии объектов или сцен, а всё остальное сделает сервис.

Google Lens и Cloud Vision

Google Lens — приложение распознавания изображений, предназначенное для получения информации об идентифицируемых объектах. Работает на основе визуального анализа, который проводится нейронной сетью. Благодаря глубокому обучению она улучшает методы распознавания изображений и расширяет возможности приложения.

Сначала это было отдельное приложение, потом его интегрировали в стандартное приложение камеры на Android. Если направите камеру смартфона на объект, Google Lens попытается идентифицировать объект, считать штрихкод или QR-код, метки или текст, затем отобразит результаты поиска, веб-страницы, дополнительную информацию. Lens также внедрён в приложения Google Фото и Google Assistant. Сегодня приложение умеет по фотографии переводить текст, звонить по номеру, искать вещи или мебель в интернет-магазинах, распознавать меню и рекомендовать блюда из него. Не говоря уже об идентификации достопримечательностей, животных, растений.

Бизнесменам и разработчикам Google предлагает Cloud Vision API, который позволяет легко интегрировать функции распознавания изображений в собственные приложения, чтобы они тоже могли идентифицировать объекты на фотографиях. API-сервис умеет распознавать лица, логотипы брендов, тексты — всё, что можно использовать в бизнесе. Благодаря этому Google API для распознавания изображений работает приложение Lens.

Какие преимущества получают потребители

Люди уже давно и полностью опробовали на себе работу нейросетей для распознавания изображений, преимущественно в сфере развлечений:

• Активные пользователи Facebook уже привыкли к тому, что искусственный интеллект распознаёт и отмечает их друзей на фотографиях.
• Любители накладывать фильтры и эффекты пользуются преимуществами искусственного интеллекта, чтобы создавать уникальные шедевры из обычных фотографий.
• С помощью приложений-фоторедакторов за пару кликов можно «омолодить» лицо пенсионера или «состарить» подростка, а также трансформировать мужчину в женщину или наоборот.

Однако программы распознавания изображений не ограничиваются развлекательными функциями. Некоторые способны помогать людям в опознании увиденного. Теперь пользователи могут быстро найти информацию о желаемой вещи в интернете, например, её точное название, где и по какой цене такую можно купить. Приложения распознают афиши фильмов и концертов, логотипы, бренды, штрихкоды, QR-коды и многое другое.

Технология открыла много возможностей для маркетинга и коммуникации с потребителями. Компании теперь могут легко отслеживать лидеров мнений о них, упоминания бренда на фото при отсутствии текста, не отмеченные хештегами отзывы на свою продукцию, получать пользовательские инсайты. Ритейлерам стало проще увеличивать продажи, качественнее обслуживать клиентов, подбирать им подходящие товары, следить за их выкладкой на витринах. Так что в выигрыше не только пользователи, но и те, кто работает на удовлетворение их потребностей.

Какие выгоды получит ваш бизнес с распознавания изображений

Существует много способов применения распознавания изображений, которые дадут вашему бизнесу преимущество в своей сфере. Такие системы помогут изучить социальный обмен, улучшить взаимосвязь с пользователями, привлечь больше клиентов. Их внедрение позволит вашему приложению расширить возможности и выйти за пределы мобильного устройства. Разработчики Netside готовы создать или интегрировать программное обеспечение любой сложности, с адаптацией под вашу сферу деятельности.

У нас 10-летний опыт в машинном обучении для распознавания изображений. Заказчикам разрабатываем приложения и сервисы как для себя. Чтобы узнать стоимость работ и сроки разработки под конкретные задачи, заполните форму заявки, и мы сразу же свяжемся с вами.

Что собой представляет машинное обучение

Машинное обучение (ML) — раздел искусственного интеллекта, который предоставляет системам возможность тренироваться на массивах данных и совершенствоваться на основе опыта, а не на программном коде. Простым языком — это методы, которые применяют к компьютерам, чтобы они приобретали собственный опыт как люди. А по-научному — это методы анализа входных данных, которые автоматизируют построение алгоритмической модели. Они основаны на идее, что машины могут самостоятельно учиться на данных, идентифицировать шаблоны, выявлять закономерности, а затем делать прогнозы и принимать оптимальные решения.

ML — не новое изобретение, оно зародилось в 1960-х из распознавания образов и попыток научить компьютеры выполнять определённые задачи без программирования. Разработчики моделей хотели посмотреть, смогут ли компьютеры самообучаться на данных.

Термин «машинное обучение» придумал учёный Артур Самуэль в 1959 году. Он описал его как процесс, в результате которого машина становится способной учиться, не будучи явно запрограммированной. Это относилось к изобретённой им первой программе, которая училась играть в шашки самостоятельно. А вот как определяют этот термин известные исследовательские центры:

• Стэнфордский университет: «Это наука о том, как заставить компьютеры работать без явного программирования».
• Вашингтонский университет: «Это алгоритмы, способные понимать, как выполнять важные задачи, обобщая примеры».
• Университет Карнеги — Меллона: «Это дисциплина, которая старается ответить на вопросы, как построить компьютерные системы, автоматически совершенствующиеся с опытом, каковы фундаментальные законы, управляющие процессами обучения».

Благодаря новым технологиям и большим данным нынешние разработки в машинном обучении придали ему новый импульс. Теперь оно сильно отличается от того, каким было в прошлом веке.

Как работает машинное обучение

Машинное обучение проходит в 4 этапа:

1. Подготовка массива данных — сбор данных из источников, необходимых для решения задачи, последующая очистка, создание выборки. Выборка бывает нужна, когда массив слишком велик, а для решения задачи достаточно небольшой части данных.
2. Обучение — подбор математической функции, позволяющей решить задачу. В каждом методе ML свои функции.
3. Оценка — проверка правильности и эффективности работы алгоритмов на другой выборке данных. Эта контрольная выборка выделяется на этапе подготовки.
4. Коррекция — доработка алгоритмов, чтобы сделать их более точными, эффективными, компактными. Процесс может повторяться.

При создании модели машинного обучения важен итеративный подход, потому что, подвергаясь воздействию новых данных, она может самостоятельно адаптироваться. Модель тренируется на предыдущих расчётах, чтобы получить надёжные повторяемые решения.

Цели ML — научить машину предсказывать результат по входным данным, автоматизировать решение сложных задач, повысить точность результатов. Для достижения целей необходимы такие компоненты:

• Данные — примеры решений, расчёты, статистика, показатели, примеры текстов, исторические события. Чем они разнообразнее, тем проще машине найти закономерности. ИТ-корпорации собирают данные годами и объединяют в огромные массивы — датасеты.
• Признаки — свойства или характеристики, на которые машина должна обратить внимание при тренировке. Чем их меньше и чем чётче они обозначены, тем проще тренироваться. Однако для сложных задач приходится учитывать миллионы параметров, определяющих, как входы преобразуются в выходы.
• Алгоритмы — способы решения задачи. Для одной задачи их может быть несколько, так что лучше выбирать эффективные.

Какие методы используются в машинном обучении

Чаще всего используются 3 метода ML: с учителем (или контролируемое), без учителя (или неконтролируемое), с частичным привлечением учителя (или полуавтоматическое). Под учителем подразумевается либо обучающая выборка, либо инженер, указывающий правильные ответы на заданных объектах.

Эти методы считаются классическими. Они применяются для обучения систем на большинстве онлайн-сервисов. Скорее всего, вы пользовались плодами их работы, поэтому рассмотрим классику подробнее.

Обучение с учителем

Для каждого прецедента учитель задаёт пару «ситуация — требуемое решение», а модель тренируется на известных входных и выходных данных, то есть на примерах. Здесь применяется классификация (чтобы предсказать категорию) и регрессия (чтобы предсказать значение).

Допустим, мы имеем набор данных с двумя переменными: цены биткоина (входные данные) и цены эфира (выходные данные). Можем построить модель и с помощью машинного обучения сделать прогноз цен на основе корреляции между этими криптовалютами.

В составе этого метода используются такие алгоритмы: дерево решений, линейная регрессия, логистическая регрессия, метод опорных векторов, наивный байесовский классификатор.

Обучение без учителя

Для каждого прецедента учитель задаёт только «ситуацию», а модель должна самостоятельно придумать решение, то есть без примеров, поискав во входных данных зависимости. Здесь применяется кластеризация (чтобы разделить по схожести), ассоциативные правила (чтобы выявить последовательности) и уменьшение размерности (чтобы найти зависимости).

Допустим, мы имеем данные с ценами лайткоина за прошлый год. Можем построить модель и поставить ей задачу — предсказать цены на этот год, но никакие метки не предоставим (кроме дат). Дальше пусть сама пытается найти закономерности, например, по сезонам, выходным дням, восходящим или нисходящим трендам.

В составе этого метода используются такие алгоритмы: латентно-семантический анализ, метод главных компонент, метод k-средних, сдвиг среднего значения, сингулярное разложение, Apriori, DBSCAN.

Обучение с частичным привлечением учителя

Для одной части прецедентов учитель задаёт пару «ситуация — требуемое решение», а для другой — только «ситуацию».

Допустим, мы имеем набор данных с двумя переменными: новости о догекоине (входные данные) и цены догекоина (выходные данные). Из них только половина новостей и половина цен связаны между собой, то есть мы наполовину проделали разметку: такая новость прошла — цена изменилась вот так. Другую половину работы возложим на модель, пусть сама определит, какие из оставшихся новостей повлияли на цену этой криптовалюты.

Современные методы

Помимо 3 классических, инженеры практикуют ещё 4 современных метода ML:

1. С подкреплением — тип обучения с учителем, который для каждого прецедента задаёт пару «ситуация — принятое решение». Только им выступает не инженер, а среда (например, нейронная сеть), с которой взаимодействует модель.
2. Трансдуктивное — тип обучения с частичным привлечением учителя, который задаёт конечную обучающую выборку прецедентов. Модель должна по этим данным составить прогноз в отношении других данных, из тестовой выборки.
3. Активное. Модель сама может назначать себе следующий прецедент, на который станет известно решение.
4. Онлайновое (или динамическое). Обучение как с учителем, так и без него, в ходе которого данные поступают потоком в последовательном порядке. Модель должна мгновенно принимать решение по каждому прецеденту, обновлять прогнозы для следующих и доучиваться на зависимостях из новых прецедентов.

Инженеры, занимающиеся машинным обучением профессионально, также применяют ансамбль методов, то есть несколько обучающих алгоритмов. От группы алгоритмов можно получить более эффективные прогнозы, чем от каждого по отдельности. Вдобавок алгоритмы исправляют ошибки друг у друга.

Алгоритмы ML выявляют определённые шаблоны в данных и используют их в правильном русле. Они находят естественные закономерности, которые помогают принимать безошибочные решения и составлять точнейшие прогнозы.

А ещё сегодня команды машинного обучения чаще создают нейронные сети и проводят глубокое обучение. Нейронная сеть — модель с набором искусственных нейронов и связей между ними, которая строится наподобие сетей нервных клеток живого организма. Здесь нейроны — это функции со множеством входов и одним выходом, а связи — это каналы, через которые нейроны передают друг другу данные.

Где применяется машинное обучение

ML развивается невероятными темпами и внедряется повсюду. Все ИТ-корпорации запустили свои платформы машинного обучения на заказ. Другие компании внедряют их решения в свои сервисы, чтобы дать пользователям невиданные ранее преимущества.

Почтовики используют ML для борьбы со спамом. Соцсети применяют его для автоматического распознавания лиц и подбора релевантных тегов. Поисковики узнают с его помощью ваши предпочтения, чтобы показывать персонализированные результаты в выдаче.

С ростом больших данных разработка решений машинного обучения стала востребована в финансах, страховании, торговле, здравоохранении, транспорте и других областях.

В финансах

Финансовым и инвестиционным компаниям машинное обучение нужно для анализа рыночных данных. Модели помогают им, а также их клиентам-инвесторам выискивать инвестиционные возможности, определять тренды на рынке, подбирать удачные моменты для купли-продажи активов.

Банки применяют интеллектуальный анализ данных, чтобы идентифицировать клиентов с профилями высокого риска, а также кибернаблюдение, чтобы обнаружить признаки мошенничества.

В страховании

Страховые компании применяют сложные статистические модели, которые используют данные о клиентах для прогнозирования страховых случаев. Обращаясь за разработкой систем машинного обучения, эти компании избавляются от сложных способов решения регулярных задач.

Некоторые автостраховщики учитывают привычки вождения как один из основных факторов при определении стоимости страховки. Они просят страхователей установить в автомобилях устройства мониторинга показателей, связанных с их привычками вождения. Эти данные также используются для прогнозирования вероятности несчастных случаев и создания индивидуальных страховых планов.

В электронной коммерции

Яркий пример ML — усовершенствованные возможности поисковых систем. Разработка алгоритмов машинного обучения и их внедрение в формы поиска на сайтах электронной коммерции позволяет интернет-магазинам предоставить релевантные результаты по запросам посетителей. Самообучаемый поисковик лучше поймёт, что имел в виду пользователь, и сформирует соответствующую выдачу, а не сосредоточится только на том, что тот набрал.

Такой улучшенный поиск повышает вероятность конверсии в 3-4 раза, тем самым увеличивая продажи магазину.

В розничной торговле

Те же онлайн-магазины, а также офлайн-ритейлеры заказывают машинное обучение, чтобы модели анализировали истории покупок, а алгоритмы рекомендовали сопутствующие товары. Для них модели также собирают и анализируют данные, а затем используют их для персонализации маркетинговых кампаний, оптимизации цен, планирования поставок товаров. Наконец, для понимания потребностей каждого покупателя индивидуально.

В здравоохранении

ML обрело спрос в отрасли здравоохранения благодаря появлению носимых устройств и датчиков, которые могут использовать данные для оценки состояния здоровья пациентов в реальном времени. Модели помогают медицинским экспертам анализировать данные для выявления тенденций или красных флажков, которые могут привести к улучшению диагностики и лечения.

В транспортной отрасли

Анализ данных для определения закономерностей и тенденций используется в транспортной отрасли, где надо повышать эффективность маршрутов и прогнозировать потенциальные проблемы. Модели и алгоритмы ML стали полезными инструментами для компаний доставки, грузоперевозки, общественного транспорта.

Чем машинное обучение полезно вашему бизнесу

Машинное обучение позволяет анализировать огромное количество данных и повысить точность прогнозирования. Хотя оно показывает быстрые и точные результаты при поиске выгодных возможностей или опасных рисков, для надлежащей подготовки моделей могут потребоваться дополнительные ресурсы и время.

Сочетание ML с когнитивными технологиями может сделать его более эффективным при обработке больших объёмов данных. Доступ к большим данным и нейронные сети помогли машинному обучению стать ещё полезнее.

Повышение точности ввода данных

При анализе данных по-прежнему актуальна аксиома «мусор на входе — мусор на выходе». Однако современные алгоритмы ML способны не только анализировать поступающие данные, но и очищать их, чтобы улучшить результаты.

Дублирование и неточность данных представляют проблему для бизнеса, стремящегося автоматизировать внутренние процессы. Разработка модели машинного обучения позволит повысить эффективность ввода данных и их качество, что сильно сократит неточности и дубли.

Ввод данных — это только начало. Сегодня уже разработана технология обработки естественного языка, которая способна анализировать текст, понимать его содержание и использовать эту информацию для подготовки отчётов.

Улучшение качества рекомендаций

ML уже работает внутри таких сервисов, как Amazon и Netflix. Их пользователи покупают товары или услуги, а затем получают предложение других интересных продуктов. Чем больше люди потребляют, тем лучше система понимает их предпочтения и чётче делает подходящие предложения, которые так же хороши, как советы друзей. Это полезный инструмент для повышения качества обслуживания клиентов и их лояльности.

Вам необязательно торговать в масштабах, сравнимых с Amazon, чтобы использовать алгоритмы для достижения подобных результатов. Будь вы розничным продавцом одежды, страховым агентством или инвестиционным фондом, ML поможет донести информацию о ваших продуктах потенциальным покупателям.

Есть 2 способа улучшить качество рекомендаций:

1. Предлагать дополнительные услуги, которые заинтересуют действующих клиентов, как в примере с Netflix. Естественно, узнавать интересы и подстраиваться под них будут машины.
2. Анализировать и сегментировать аудиторию с помощью одних моделей, которые затем будут передавать отфильтрованную информацию другим моделям или чат-ботами. Последние, в свою очередь, будут обращаться с рекламными предложениями к перспективным клиентам.

Улучшение обслуживания клиентов

Удовлетворение растущих ожиданий клиентов — эффективный способ, который компании используют для достижения лучших результатов. У покупателей постоянно возникают вопросы о товарах или услугах, за которые они платят. Компании должны быстро отвечать на них, только трудно делать это в реальном времени. Тогда на помощь приходит ML.

Для обработки первичных обращений в службу поддержки можно использовать интеллектуальных чат-ботов. Машинное обучение создаёт видимость, будто клиентам отвечает живой сотрудник. Чат-ботов на основе ML также можно использовать для ответов на запросы через соцсети.

Персонализация в реальном времени

Маркетинговые кампании зависят от своевременности и актуальности. Отправляйте клиентам нужные сообщения в нужное время, чтобы они могли двигаться по воронке продаж. ML помогает оперативно получать информацию о характеристиках и предпочтениях клиентов.

Наблюдение за цифровым поведением покупателей помогает выявить темы, которые их интересуют. В результате компании становятся способны оказывать клиентам персонализированные услуги.

Определение целевых рынков и аудитории

Использование больших данных вкупе с ML помогает определить целевой рынок, а также привязать профили клиентов к предпочитаемым товарам или услугам. Возможность отфильтровать и сузить профили полезно при таргетировании в маркетинговых кампаниях.

Применяйте машинное обучение с выгодой

Перечисленные выше способы применения машинного обучения доступны не только ИТ-гигантам, любые компании могут получить выгоды от этого направления в искусственном интеллекте. Ваш бизнес тоже может повысить эффективность решений, улучшить результаты работы, предоставить клиентам более качественные услуги, если реализовать машинное обучение качественно.

Мы привели дюжину примеров того, как ML способно автоматизировать ввод данных и бизнес-процессы. Машины помогают выполнять эту работу быстрее, дешевле, эффективнее. На практике мы знаем гораздо больше вариантов применения, которые помогут вам достичь показателей, несопоставимых с ручными или полуавтоматическими способами.

Если вы заинтересованы в применении машинного обучения, то Netside поможет внедрить его в ваш бизнес. Для уточнения сроков и стоимости машинного обучения заполните форму заявки, и наши менеджеры сразу же свяжутся с вами.