9个机器学习成功案例的内部视角

关键建议：用户无法在传统的软件上构建新的分析平台，并期望它们运行良好。为了支持Ascend Analytics On Demand，Experian公司采用了混合云方法，并投资于开源工具，包括容器、API引擎、微服务。Experian公司还对其构建和使用软件的方式实现标准化，其应用程序和代码可以被其全球员工和客户应用。

6.信用卡公司采用机器学习应对欺诈行为

与信贷监控公司一样，信用卡公司也不得不与欺诈者打交道。

MasterCard公司技术和运营总裁Ed McLaughlin表示，当许多专家将数字视为隐私和安全的祸根时，机器学习和人工智能工具可以使信用卡服务更安全。

MasterCard公司使用机器学习和人工智能技术来消除恶意用户。McLaughlin表示，其保护措施的核心是一个内存数据库，该数据库自2016年使用以来为MasterCard公司避免了10亿美元的损失。该软件使用200多个属性来预测和阻止欺诈。

该核心系统与标记化技术、生物特征识别、深度学习和其他新方法相结合，帮助MasterCard公司保持其促进价值数十亿美元的安全交易的声誉。

关键建议：在网络安全方面，人类是最薄弱的环节。McLaughlin说：“最重要的是尽可能地让工作人员脱离这个循环。机器学习、人工智能、自然语言处理软件都是Mastercard工具包中的关键组件。”

7.赛车公司利用机器学习分析汽车洞察力

Mercedes-AMG Petronas Motorsport公司使用机器学习功能来帮助可视化赛车性能。

该公司IT团队负责人Matt Harris说，该公司收集了一级方程式赛车的多个数据通道，有时每秒多达10000个数据点，以做出关键决策。

Mercedes-AMG Petronas使用Tibco软件可视化其影响变量，如天气、轮胎温度、燃油量对其汽车的影响。该软件还使工程师能够分析汽车齿轮的性能和磨损等细节。驾驶员通常每圈换档100次，每次驾驶员换档时，Tibco都会收集大约1,000个数据点。

Harris说，“当你看到这些数据时，实际上可以使变速箱的使用时间更长，或者更重要的是，使变速箱的变化更为剧烈。然后就会发现，如果将变速箱放在一个特定的模式下，每圈大约快50毫秒。在排位赛中，赛车可以快出千分之一秒，所以50毫秒对其获胜很重要。”

Harris说，“Mercedes-AMG Petronas正在构建机器学习算法，以帮助做人类做不到的事情，或者这是一种昂贵的工作方式。”Harris认为这些能力最终将成为团队竞争优势的关键推动因素。

关键建议：为什么要构建一些不是企业核心竞争力的东西?在采用Tibco之前，Mercedes-AMG Petronas使用自行开发的可视化软件，这种软件经证明效率太低，无法维持。通过依靠Tibco，Mercedes-AMG Petronas可以专注于其专业实力：打造高性能汽车。哈里斯说：“最重要的是让人们有创造力，思考解决问题，而不是编写软件来解决问题。”

8.采用机器学习预测员工什么时候离职

像大多数汽车维修公司一样，Calibre Collision公司长期以来一直存在员工频繁流动的问题，因为该公司机械师、油漆工和客户支持人员不断离职，有时600多家工厂的年人员周转率高达40%。

Calibre公司发现，部分问题在于其维修工厂有时没有足够的汽车供工作人员修理，导致工资不稳定。这让该公司首席信息官AshleyDenison感到疑惑：如果能够预测员工何时会离职并进行干预呢?

Calibre公司开始与技术顾问Sparkhound公司合作，后者创建的软件可以从Caliber公司的Workday人力资源软件中提取员工数据，并将其与Microsoft Power BI混合，创建一个定制的回归模型，预测员工是否可能会考虑离职。然后，Calibre公司通过数字调查或个人联系方式联系员工进行干预。

例如，如果员工的工资在几周内下降，Calibre公司区域经理可以确保他们获得更多的汽车进行维修。相反，如果员工看起来工作负担过重，该公司可以将一些工作重新分配给他的同事。其结果是，Calibre公司每年可节省多达100万美元。

关键建议：采用机器学习算法避免问题以节省资金是一种实用的方法。

9.人工智能作为产品和业务的推动者

在2018年麻省理工学院首席信息官斯隆研讨会上，Adobe Systems首席信息官Cynthia Stoddard表示，该公司正在利用机器学习分析帮助台记录的系统故障趋势，然后在问题导致重大停机之前积极解决问题。

如果该系统发现可能发生中断的事件，可以主动在引发故障之前消除或减轻这些故障。

该工具称为HAAS，用于“修复即服务”，可以捕获并修复从Adobe公司的ERP集成失败到针对该公司各种分析系统的错误数据源。Stoddard说，HAAS将人工手动执行的30分钟的修复时间减少到1分钟。她估计在过去的几个月中已经节省了330小时的修复时间。使用详细说明问题的报告，Adobe公司工程师可以创建永久性修复程序。

Stoddard说，“如果知道必须修复一些东西，而且知道如何解决它，那么可以实现自动化。这是一个巨大的好处。”这项工作建立在Stoddard团队于2017年创建的基于机器学习的诊断测试框架之上。

关键建议：使用机器学习识别模式是创建自我修复功能的关键。Stoddard说，“如果知道如何修复，可以在其中放置一个自我修复的组件，就省去了工作人员的工作。”

（编辑：云计算网_泰州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!