5 Beispiele für maschinelles Lernen, die Sie kennen sollten

Paul Matthews, freelance tech writer, writes about examples of maschinelles Lernen across the the Gesundheitswesen, entertainment, marketing and education industries. 

Von der Front-End-Entwicklung bis zum Automobilsektor reichen die Anwendungen von maschinelles Lerneng for business purposes is bigger than ever. Examples of machine learning in the real world include recommendation engines, object detection, natural language processing, and more. Let’s analyse five interesting examples of how ML is being used to deliver better online experiences and advance Gesundheitswesen and education.

1. Musik: Spotify und Soundcloud 

 Unternehmen wie Universal, Sony und EMI haben in den letzten 10 Jahren eine massive Digitalisierung durchlaufen und sich von "eine bestimmte Anzahl von Platten verkaufen" zu "diese Platte n-mal streamen" entwickelt. Die Monetarisierung über Werbung durch Abspielungen auf Portalen wie Youtube, Spotify und Soundcloud ist etwas, das man sich wünscht. Wie können diese Plattformen in einem so lauten Musikmarkt konstant Traffic und Ohren zu ihren Veröffentlichungen lenken? Indem sie mit Hilfe von Machine Learning-Tools automatisch mehr und mehr Nutzer anziehen. Wie oft haben Sie schon gesehen (oder besser gehört), dass ein zufälliger Track in Ihrem täglichen Mix als "etwas, das auf Ihrem Geschmack basiert" empfohlen wurde? Die Antwort auf genau diese Frage ist eine relativ einfache Anwendung, die Folgendes kombiniert

1. die eigentliche Struktur des Liedes, und
2. die Tatsache, dass Nutzer den von Ihnen gewählten Titel vor oder nach dem empfohlenen Titel gespielt haben.

Sowohl Spotify als auch Soundcloud verwenden ML-Algorithmen, um die Entscheidungen der Nutzer zu verstehen und zu analysieren und auf der Grundlage der gesammelten Informationen eine Entscheidung zu treffen.

2. PathAi: Schnelldiagnose mit Tensorflow 

PathAi ist in erster Linie eine auf Tensorflow basierende Anwendung, die durch die Verknüpfung von Symptomen und anderen Umgebungsvariablen (demografische Daten, Standort usw.) zur Beschleunigung der Diagnose beiträgt. Das größte Verkaufsargument von PathAi ist die Tatsache, dass es nicht nur auf einer vollständig cloudbasierten Architektur gestartet werden konnte, sondern auch extrem schlank ist, verglichen mit anderen sperrigen Softwareprodukten im Gesundheitswesen, die manchmal Ad-hoc-Hardware erfordern. Angesichts der jüngsten Investitionswelle von über $11 Millionen wird PathAi in naher Zukunft mit Sicherheit sehr groß werden. 

Es ist ziemlich schwierig, ein ML- oder technikbezogenes medizinisches Startup als zukünftigen "Industriestandard" zu bezeichnen, aber im Moment können wir mit Sicherheit sagen, dass PathAi den Grundstein für die Zukunft von Gesundheit und Technologie legt. 

3. Konzert: Medizinische Datenwissenschaft über ML 

Mit Concerto analysieren wir noch immer den Gesundheitssektor und seine auf maschinellem Lernen basierenden Anwendungen. Als Concerto entwickelt wurde, hatten seine Schöpfer eine klare Vorstellung: etwas zu bauen, das Onkologen, Chirurgen und Allgemeinmedizinern beim Verständnis von Symptomen helfen könnte, indem es umfangreiche, manchmal verwirrende Datenbanken innerhalb von Sekundenbruchteilen automatisch verarbeitet. Concerto ist in der Tat das erste datenwissenschaftliche Werkzeug für medizinische Zwecke. Concerto wurde in New York von einem Team ehemaliger Datenwissenschaftler entwickelt und ist ein erfrischender Hauch von Technologie in einer medizinischen Welt, die sich bei der Datenverarbeitung immer noch auf Papier und eine langsame Kommunikation zwischen den Fachleuten verlässt, was die Entwicklung jeglicher Art von Verfahren manchmal langsam und stressig macht. Concerto ist ein starkes und greifbares Beispiel für die Anwendung von Data Science auf Infrastrukturen und Architekturen für den Aufbau von Prozessen und nicht nur für Marketingziele und Retargeting-Anzeigen. Concerto wird im Jahr 2025 die meistgenutzte Datenbank sein, zumindest in den USA. 

4. Web-Personalisierung: Was Sie mögen, wann Sie es wollen 

Ah, machine learning and marketing. If this isn’t the biggest combination of the decade, then there isn’t another one. With web personalization, we refer to the usage of a number of programming languages (mainly Python and Javascript) to optimise a catalogue, a product listing, or a piece of content on a web page/application. The personalization process is divided into 3 main sections, acquisition, processing and build. 

-The Erwerb Teil bezieht sich auf die Datenerfassung, die erfolgt, wenn ein Nutzer auf einer Seite landet (also hauptsächlich über Cookies), eine Umfrage per E-Mail beantwortet oder etwas in das Suchfeld der Seite eingibt. Dieser Teil muss dem Nutzer nach der jüngsten Entscheidung der GDPR klar gemacht werden. 

-The Verarbeitung Ein Teil davon hängt mit der Verwendung von Python-Bibliotheken zusammen, die in der Tat das Verhalten der Nutzer verarbeiten und Datenpunkte in einer internen Data-Lake-Umgebung erzeugen, die effektiv zu Leitlinien für Javascript-Tools werden, die diese Daten in maßgeschneiderten Inhalten wiedergeben. 

-The bauen Prozess ist derjenige, der stattfindet, wenn das oben erwähnte Javascript-Tool die Seite optimiert. Wenn zum Beispiel die Richtlinien innerhalb dieser Datenpunkte besagen, dass der Nutzer x, der rote Schuhe mag, gerade die Schuhabteilung durchsucht, wird die JS-basierte Anwendung solche Ergebnisse nach oben verschieben und somit die Konversionsrate der Seite erhöhen. Sehr einfach, aber sehr effektiv. 

Die Personalisierung wird von mehreren Marken wie Zara, Primark, Boohoo und ASOS eingesetzt. 

5. Bildung als Ganzes 

Es gibt Dutzende bildungsbezogener Start-ups, die auf maschinellem Lernen basierende Tools entwickeln, um diesen Bildungsbereich zu verbessern. Was ist ihr Ziel? Hier sind einige Beispiele für den Einsatz von maschinellem Lernen im Bildungswesen: 

- Problemlösung und leichter Zugang zu genauen Daten. Stellen Sie sich vor, Sie hätten einen Lehrer, der in Sekundenschnelle auf komplizierte Probleme zugreifen kann, um sie dann in der einfachsten Form zu erklären, nachdem die Software sie je nach Niveau des Publikums verkleinert hat. 

- Automatisches Erstellen von Aufgaben und Prüfungen auf der Grundlage des Themas, des Schwierigkeitsgrads und mehr. Ziemlich lebensrettend für einen Lehrer, oder? Ein ML-Algorithmus könnte so trainiert werden, dass er eine Prüfungsaufgabe mit dem gewünschten Schwierigkeitsgrad erstellt und die Lösungen automatisch berechnet. 

- Die Analyse und Vorhersage der Fortschritte der Klasse durch die Analyse der Erfolgsquote bei Prüfungen und Aufsätzen hilft den Lehrern, sich selbst zu bewerten.

Schlussfolgerung

Die Beispiele für maschinelles Lernen in der heutigen Welt sind endlos. Es ist leicht zu verstehen, warum die Zukunft des maschinellen Lernens so vielversprechend ist, sowohl aus Sicht der Unternehmen als auch aus Sicht der Nutzer. Die Zukunft ist in der Tat automatisiert.

Notwendigkeit der Konsultation eines Experte für maschinelles Lernent? Mieten Sie freiberufliche Wissenschaftler auf Kolabtree. Es ist kostenlos, Ihr Projekt auszuschreiben und loszulegen. 

Paul Matthews ist ein in Manchester ansässiger Wirtschafts- und Technikjournalist, der schreibt, um
Geschäftsinhaber besser darüber zu informieren, wie man ein erfolgreiches Unternehmen führt. Er ist derzeit
Beratung des größten Teams von App-Entwickler in Manchester.