機器學習 (ML) 如何改變我們的生活:3 個有趣的應用

如果您及時了解與技術相關的新聞,您可能會遇到一些關於機器學習的故事。 越來越多的應用程序和服務正在利用這項技術來產生更快、更好的結果。 機器學習市場不會很快放緩。 超過$ 37十億 截至 2019 年,已為機器學習分配了資金,全球機器學習市場預計將 到 209 年超過 2029 億美元.

現代數字時代要求大大小小的企業迅速適應,以便他們能夠處理更多數據並保持競爭力。 機器學習使這些企業能夠適應和探索 機器學習驅動的商業理念,其中許多行業似乎有無窮無盡的供應。 

為此,我們將探索一些跨越不同行業的最有趣和最有用的機器學習應用,以及機器學習的未來。

1.醫療行業

機器學習在醫療保健行業的新應用使醫生能夠更有效地治療和溝通患者。 例如,借助支持機器學習的系統,患者將很快能夠從更便宜的治療中受益,該系統可以攝取患者數據並建議可以避免哪些醫學檢查。 機器學習技術還將提高臨床試驗的效率和臨床研究的整體效率,最終導致更有效的患者治療。

患者溝通

患者通信服務是在直接醫療保健環境中使用機器學習的工具的一個很好的例子。 醫生可以依靠利用機器學習技術的患者通信服務 對於許多重要任務,包括自動預約和召回提醒、為患者提供不同的面對面和遠程支付選項、在線日程安排等等。 患者通信服務使醫療保健專業人員可以更輕鬆地在多個接觸點與所有患者保持聯繫,從他們第一次開始治療到最終付款。

個性化醫療

機器學習還使醫生更可行地創建個性化治療。 支持 ML 的系統可以獲取患者數據,例如他們的家族病史和終生健康記錄,然後將這些數據與當前研究進行比較,以推薦個性化的藥物和治療。 機器學習一旦開始評估患者的基因和基因標記,就可以顯著影響個性化治療的發展,而這些基因和特定藥物最能解決這些問題。

個性化醫療允許選擇和提供特定於患者的治療方法,並儘可能使患者獲得積極的結果。 在機器學習支持的個性化醫療和治療方面,要克服的最大障礙是找到最佳的針對患者的治療方法,即使陽性反應預測因子(例如遺傳學和生物標誌物)和治療選擇的數量不斷增加。 

一個很好的例子是 酒精依賴聯合藥物治療和行為乾預 (COMBINE) 研究,美國最大的臨床試驗之一,其主要分析集中在酒精依賴上。 該研究使用了 CART(分類和回歸樹)方法,該方法考慮了多個潛在的預測因素,以便找出可能存在哪些積極結果和患者特徵的組合。 定制的基於樹的方法(例如 CART)允許僅基於基線特徵準確選擇最佳的患者特異性治療。

2.金融業

隨著越來越多的企業開始關注 推動更多的電子商務銷售 為了迎合在線購物者,欺詐交易案件繼續上升。 幸運的是,支持機器學習的算法使這些企業能夠反擊欺詐者並減少欺詐交易的案例。 

欺詐識別

反保險欺詐聯盟估計,欺詐行為剝奪了美國消費者的 至少80億美元 每年。 因此,金融領域機器學習應用的一個巨大目標是檢測、最小化並最終防止欺詐行為的發生。 機器學習是預防欺詐的理想選擇:它可以解析大量數據以檢測異常行為模式。

機器學習系統使金融機構能夠以更高的精度檢測違規行為並識別大數據集中的細微變化(圖片來源: sdk金融).

例如,在金融和銀行領域運行的基於機器學習的應用程序可以分析客戶進行的每筆交易,從而為其分配欺詐分數。 這個分數可以表明交易是欺詐的可能性有多大; 如果客戶交易確實是欺詐性的,基於機器學習的應用程序可以阻止並標記它以供人工審查。

這整個過程在幾秒鐘內發生,特別是因為基於機器學習的應用程序可以為欺詐分數分配某個閾值,如果分數太高,該閾值會自動觸發拒絕。 如果沒有機器學習的幫助,這個過程將大不相同,因為沒有人能夠在幾秒鐘內審查數千個數據點來做出瞬間決定。

貸款資格預測

該技術還可以應用於銀行業以預測貸款資格。 從本質上講,銀行從他們發放的貸款中獲得利潤,他們有必要在發放貸款之前適當地驗證貸款資格。 基於機器學習的應用程序可以幫助銀行確定貸款接受者是否可能償還貸款。 

3. 人臉識別與計算機視覺

如果您對通過社交媒體營銷發展業務感興趣,那麼您知道您需要一種同時吸引許多用戶的方法。 機器學習存在於最流行的社交媒體平台的核心,既可以吸引用戶,也可以使這些平台受益:從有針對性的廣告到專門針對用戶興趣定制的新聞提要,機器學習使社交媒體應用程序能夠迅速發展它們讓用戶保持娛樂的方式. 

機器學習在社交媒體中最受歡迎的應用之一是人臉識別。 Meta 等流行的社交媒體平台使用人臉識別技術,僅通過參考幾張標記圖像來識別用戶的臉。 人臉識別算法精度高,按照檢測、分類、識別的步驟檢測人臉,準確分類為真人臉。 人臉識別,就像 Meta 採用的那種,是在深度神經網絡的幫助下實現的,該網絡可以攝取多張帶有標籤的圖片,並幫助訓練機器學習模型以準確地區分這些標籤圖像中的對象。

在 2021 年關閉其面部識別系統之前,Meta 在 Facebook 上使用面部識別是社交媒體背景下面部識別技術最受歡迎的應用之一。 選擇加入系統“人臉識別”設置的 Facebook 用戶將在視頻和照片中被自動識別。 

在一個點上, 超過三分之一 的每日 Facebook 用戶一直在使用“人臉識別”設置,並且能夠在上傳到 Facebook 網站的任何照片或視頻中被識別。 用戶還可以選擇在其他 Facebook 用戶在網站上發布的視頻或照片中識別出他們時自動收到通知,Facebook 甚至會為用戶提供他們想要考慮標記的用戶推薦。

結論

如果我們在本文中向您展示了任何東西,那就是現代應用程序廣泛依賴於基於機器學習的算法。 如今,許多技術都基於 ML 模型,機器學習的應用將繼續提供技術進步。 預計到 2022 年 四分之三 依賴機器學習的最終用戶解決方案將使用商業平台而不是開源平台構建,這意味著機器學習將繼續釋放企業可以利用的令人興奮的機會。 大多數組織以某種形式利用支持機器學習的解決方案只是時間問題。 

閱讀更多

作者照片

李立峰的文章