机器学习 (ML) 如何改变我们的生活:3 个有趣的应用

如果您及时了解与技术相关的新闻,您可能会遇到一些关于机器学习的故事。 越来越多的应用程序和服务正在利用这项技术来产生更快、更好的结果。 机器学习市场不会很快放缓。 超过$ 37十亿 截至 2019 年,已为机器学习分配了资金,全球机器学习市场预计将 到 209 年超过 2029 亿美元.

现代数字时代要求大大小小的企业迅速适应,以便他们能够处理更多数据并保持竞争力。 机器学习使这些企业能够适应和探索 机器学习驱动的商业理念,其中许多行业似乎有无穷无尽的供应。 

为此,我们将探索一些跨越不同行业的最有趣和最有用的机器学习应用,以及机器学习的未来。

1、医疗行业

机器学习在医疗保健行业的新应用使医生能够更有效地治疗和沟通患者。 例如,借助支持机器学习的系统,患者将很快能够从更便宜的治疗中受益,该系统可以摄取患者数据并建议可以避免哪些医学检查。 机器学习技术还将提高临床试验的效率和临床研究的整体效率,最终导致更有效的患者治疗。

患者沟通

患者通信服务是在直接医疗保健环境中使用机器学习的工具的一个很好的例子。 医生可以依靠利用机器学习技术的患者通信服务 对于许多重要任务,包括自动预约和召回提醒、为患者提供不同的面对面和远程支付选项、在线日程安排等等。 患者通信服务使医疗保健专业人员可以更轻松地在多个接触点与所有患者保持联系,从他们第一次开始治疗到最终付款。

个性化医疗

机器学习还使医生更可行地创建个性化治疗。 支持 ML 的系统可以获取患者数据,例如他们的家族病史和终生健康记录,然后将这些数据与当前研究进行比较,以推荐个性化的药物和治疗。 机器学习一旦开始评估患者的基因和基因标记,就可以显着影响个性化治疗的发展,而这些基因和特定药物最能解决这些问题。

个性化医疗允许选择和提供特定于患者的治疗方法,并尽可能使患者获得积极的结果。 在机器学习支持的个性化医疗和治疗方面,要克服的最大障碍是找到最佳的针对患者的治疗方法,即使阳性反应预测因子(例如遗传学和生物标志物)和治疗选择的数量不断增加。 

一个很好的例子是 酒精依赖联合药物治疗和行为干预 (COMBINE) 研究,美国最大的临床试验之一,其主要分析集中在酒精依赖上。 该研究使用了 CART(分类和回归树)方法,该方法考虑了多个潜在的预测因素,以便找出可能存在哪些积极结果和患者特征的组合。 定制的基于树的方法(例如 CART)允许仅基于基线特征准确选择最佳的患者特异性治疗。

2.金融业

随着越来越多的企业开始关注 推动更多的电子商务销售 为了迎合在线购物者,欺诈交易案件继续上升。 幸运的是,支持机器学习的算法使这些企业能够反击欺诈者并减少欺诈交易的案例。 

欺诈检测

反保险欺诈联盟估计,欺诈行为剥夺了美国消费者的 至少$ 80十亿 每年。 因此,金融领域机器学习应用的一个巨大目标是检测、最小化并最终防止欺诈行为的发生。 机器学习是预防欺诈的理想选择:它可以解析大量数据以检测异常行为模式。

机器学习系统使金融机构能够以更高的精度检测违规行为并识别大数据集中的细微变化(图片来源: sdk金融).

例如,在金融和银行领域运行的基于机器学习的应用程序可以分析客户进行的每笔交易,从而为其分配欺诈分数。 这个分数可以表明交易是欺诈的可能性有多大; 如果客户交易确实是欺诈性的,基于机器学习的应用程序可以阻止并标记它以供人工审查。

这整个过程在几秒钟内发生,特别是因为基于机器学习的应用程序可以为欺诈分数分配某个阈值,如果分数太高,该阈值会自动触发拒绝。 如果没有机器学习的帮助,这个过程将大不相同,因为没有人能够在几秒钟内审查数千个数据点来做出瞬间决定。

贷款资格预测

该技术还可以应用于银行业以预测贷款资格。 从本质上讲,银行从他们发放的贷款中获得利润,他们有必要在发放贷款之前适当地验证贷款资格。 基于机器学习的应用程序可以帮助银行确定贷款接受者是否可能偿还贷款。 

3. 人脸识别与计算机视觉

如果您对通过社交媒体营销发展业务感兴趣,那么您知道您需要一种同时吸引许多用户的方法。 机器学习存在于最流行的社交媒体平台的核心,既可以吸引用户,也可以使这些平台受益:从有针对性的广告到专门针对用户兴趣定制的新闻提要,机器学习使社交媒体应用程序能够迅速发展它们让用户保持娱乐的方式. 

机器学习在社交媒体中最受欢迎的应用之一是人脸识别。 Meta 等流行的社交媒体平台使用人脸识别技术,仅通过参考几张标记图像来识别用户的脸。 人脸识别算法精度高,按照检测、分类、识别的步骤检测人脸,准确分类为真人脸。 人脸识别,就像 Meta 采用的那种,是在深度神经网络的帮助下实现的,该网络可以摄取多张带有标签的图片,并帮助训练机器学习模型以准确地区分这些标签图像中的对象。

在 2021 年关闭其面部识别系统之前,Meta 在 Facebook 上使用面部识别是社交媒体背景下面部识别技术最受欢迎的应用之一。 选择加入系统“人脸识别”设置的 Facebook 用户将在视频和照片中被自动识别。 

在一个点上, 超过三分之一 的每日 Facebook 用户一直在使用“人脸识别”设置,并且能够在上传到 Facebook 网站的任何照片或视频中被识别。 用户还可以选择在其他 Facebook 用户在网站上发布的视频或照片中识别出他们时自动收到通知,Facebook 甚至会为用户提供他们想要考虑标记的用户推荐。

总结

如果我们在本文中向您展示了任何东西,那就是现代应用程序广泛依赖于基于机器学习的算法。 如今,许多技术都基于 ML 模型,机器学习的应用将继续提供技术进步。 预计到 2022 年 四分之三 依赖机器学习的最终用户解决方案将使用商业平台而不是开源平台构建,这意味着机器学习将继续释放企业可以利用的令人兴奋的机会。 大多数组织以某种形式利用支持机器学习的解决方案只是时间问题。 

了解更多

作者照片

李立峰的文章