Jak wykorzystać sztuczną inteligencję?

Sztuczna inteligencja (AI) to kompleks rozwiązań technologicznych obejmujących infrastrukturę teleinformatyczną, oprogramowanie (w tym wykorzystujące metody uczenia maszynowego), procesy i usługi przetwarzania danych i znajdowania rozwiązań.

Sposób, w jaki działa sztuczna inteligencja, polega na łączeniu dużej ilości danych z możliwością ich szybkiego przetwarzania, iteracyjnie za pomocą inteligentnych algorytmów, umożliwiając programom automatyczne uczenie się na podstawie wzorców i cech zawartych w danych.

Sztuczna inteligencja to złożona dyscyplina z wieloma teoriami, technikami i technologiami. 

Kluczowe koncepcje AI to:

Uczenie maszynowe obejmujące algorytmy do analizy danych w celu znalezienia w nich wzorców. Wykorzystuje metody sieci neuronowych, statystyki, badań operacyjnych itp. ujawnienia ukrytych przydatnych informacji w danych; nie ma wyraźnie zaprogramowanych instrukcji wskazujących, gdzie szukać danych i jak wyciągać wnioski.

Sieć neuronowa jest jedną z metod uczenia maszynowego; model matematyczny, a także jego programowa lub sprzętowa implementacja, zbudowany jest na zasadzie organizacji i funkcjonowania biologicznych sieci neuronowych - sieci komórek nerwowych żywego organizmu. 

W ogólnym przypadku sztuczna sieć neuronowa (SSN) może składać się z kilku warstw najprostszych procesorów (neuronów), z których każdy dokonuje na danych wejściowych jakiejś transformacji matematycznej (oblicza wynik funkcji matematycznej) i przekazuje wynik do do następnej warstwy lub do wyjścia sieciowego.

Neurony warstwy wejściowej odbierają dane z zewnątrz (np. z czujników systemu rozpoznawania twarzy) i po ich przetworzeniu przekazują sygnały przez synapsy do neuronów kolejnej warstwy. Każdemu z sygnałów początkowo przypisywany jest określony współczynnik ważenia. Neurony drugiej warstwy (nazywa się to ukrytym, ponieważ nie jest bezpośrednio połączone ani z wejściem, ani z wyjściem SSN) dokonują matematycznej transformacji odebranych sygnałów i przekazują obliczony wynik do neuronów warstwy wyjściowej. Ponieważ mówimy o symulowaniu neuronów, każdy procesor poziomu wejściowego jest podłączony do kilku procesorów poziomu ukrytego, z których każdy z kolei jest podłączony do kilku procesorów poziomu wyjściowego. Wynik wyjściowy jest porównywany z referencją; w przypadku jego niespójności współczynniki wagowe są korygowane.

Tak więc opisana najprostsza SSN jest zdolna do uczenia się i może znajdować w danych proste zależności. Bardziej złożony model SSN będzie miał kilka ukrytych warstw neuronów przeplatanych warstwami, które wykonują złożone transformacje logiczne. Każda kolejna warstwa sieci szuka relacji w poprzedniej. Takie SSN są zdolne do głębokiego (głębokiego) uczenia się.

Zwiększona moc obliczeniowa i ulepszone techniki służą do trenowania głębokich sieci neuronowych, a także do wykrywania złożonych wzorców w dużych zbiorach danych. Typowe zastosowania to rozpoznawanie obrazu i mowy.

Obliczenia kognitywne to gałąź sztucznej inteligencji, której zadaniem jest zapewnienie procesu naturalnej interakcji między człowiekiem a komputerem, podobnego do interakcji między ludźmi. Ostatecznym celem sztucznej inteligencji i przetwarzania kognitywnego jest naśladowanie ludzkich procesów poznawczych przez komputer poprzez interpretację obrazów i mowy z emisją odpowiedniej odpowiedzi.

Możliwości nowoczesnych technologii sztucznej inteligencji realizowane są w następujących obszarach 

• wizja komputerowa;
• przetwarzanie języka naturalnego;
• rozpoznawanie i synteza mowy;
• inteligentne systemy wspomagania decyzji

Widzenie komputerowe

opiera się na rozpoznawaniu wzorców i głębokim uczeniu do rozpoznawania obrazów i wideo. Maszyny już wiedzą, jak przetwarzać, analizować i rozumieć obrazy, a także robić zdjęcia lub filmy i interpretować otoczenie.

Przetwarzanie języka naturalnego

to zdolność komputerów do analizowania, rozumienia i syntezy języka ludzkiego, w tym języka mówionego. Za pomocą Siri lub asystenta Google można już sterować komputerami za pomocą zwykłego języka używanego w życiu codziennym.

Inteligentne systemy wspomagania decyzji

to zestaw narzędzi do opracowywania rekomendacji dla decydenta. Algorytmy porządkują (rankingują) skończony zbiór alternatyw (rozwiązań) lub optymalizują je na nieskończonym zbiorze za pomocą technologii data mining, modelowania i wizualizacji.

Wizja komputerowa

Wizja komputerowa (CV) jest kierunkiem naukowym w dziedzinie sztucznej inteligencji, w szczególności robotyki, i powiązanych technologii pozyskiwania obrazów obiektów świata rzeczywistego, ich przetwarzania, wykorzystywania uzyskanych danych do rozwiązywania różnego rodzaju stosowanych problemów bez udziału (pełne lub częściowa ) osoba.

Przykłady zadań widzenia komputerowego:

• rozpoznawanie,
• identyfikacja,
• detekcja,
• rozpoznawanie tekstu,
• odtwarzanie kształtu 3D z obrazów 2D,
• estymacja ruchu, odtwarzanie sceny,
• odtwarzanie obrazu,
• wybór struktur określonego typu na obrazach,
• segmentacja obrazu,
• analiza przepływu optycznego.

W wizji komputerowej, podobnie jak w każdej innej dziedzinie związanej z uczeniem maszynowym, szkolenie AI wymaga dużej ilości uporządkowanych danych oznaczonych (zbiorów danych). Dlatego grupy naukowe i organizacje badawcze na całym świecie pracują przede wszystkim nad tworzeniem, czyszczeniem i uzupełnianiem otwartych zbiorów danych zawierających gigantyczne tablice danych wizualnych lub graficznych.

Standardowy zbiór danych CV składa się z zestawu typowych oznaczonych obrazów podzielonych na klasy w zależności od ich zawartości semantycznej.

Na skrzyżowaniu technologii pojawiają się ciekawe rozwiązania, np. synergia technologii CV i analityki predykcyjnej otwiera dodatkowe możliwości analityki odwiedzających i zachowań odbiorców. Połączone wykorzystanie tych technologii umożliwia analizę cech populacyjnych segmentów odbiorców, które opisują strukturę społeczno-demograficzną odwiedzających zarejestrowanych za pomocą wizji komputerowej, ich profil zachowania. Na podstawie otrzymanych informacji można przeprowadzić dogłębne badania marketingowe, segmentować odbiorców offline, segmentować odbiorców pod kątem różnic w ich krótkoterminowych zainteresowaniach, przewidywać powtórne wizyty, odpływ i wektor zainteresowań komercyjnych odwiedzających .

Wizja komputerowa jest aktywnie wykorzystywana w działach Security & Integrity i pomaga radzić sobie z różnymi niechcianymi treściami użytkowników w produktach dużych firm informatycznych, takich jak Google, Facebook. W związku ze stale rosnącym udziałem treści foto i wideo w usługach komunikacyjnych i rozrywkowych, modele, które mogą określać przekaz semantyczny w oparciu o komponent wizualny, stają się integralną częścią systemów bezpieczeństwa. Najczęściej stosowaną technologią wizyjną w Integrity jest OCR, czyli automatyczne rozpoznawanie tekstu z obrazu, ze względu na łatwość generowania tekstu fotograficznego od intruzów.

Widzenie komputerowe jest aktywnie wykorzystywane w wyszukiwaniu do wyświetlania odpowiednich obrazów i filmów. Wraz z rozwojem tej dziedziny pojawiły się takie algorytmy jak konwolucyjne i syjamskie sieci neuronowe, uczenie metryczne itp., za pomocą których maszyna uczy się rozumieć znaczenie złożonych obiektów. Umożliwia to wyszukiwarkom rozwiązywanie szerokiego zakresu zadań: od ogólnego wyszukiwania informacji w Internecie po bardziej złożone problemy, które są szczególnie interesujące.

Klasyczne scenariusze wykorzystania rozwiązań opartych na technologii rozpoznawania twarzy są zintegrowane z systemami ESB lub CRM instytucji finansowych i ubezpieczeniowych oraz wykorzystywane są w procedurach KYC (Know Your Customer), scoringu kredytowego i identyfikacji klienta. Obiecująco wyglądają próby wykorzystania algorytmów rozpoznawania w bankomatach, systemach zarządzania kolejkami oraz integracji z oprogramowaniem do monitoringu wizyjnego. Coraz częściej instytucje finansowe wykorzystują dane biometryczne jako dodatkowy czynnik w potwierdzaniu istotnych finansowo transakcji w kanałach zdalnych.

Wizja komputerowa jest potrzebna do tworzenia autonomicznych maszyn, robotów przemysłowych i innych scenariuszy, które wymagają takich samych umiejętności analizy wizualnej, jakie posiadają ludzie.

Aby zniwelować czynnik ludzki, zwiększyć powtarzalność i poprawić niezawodność sterowania, w wizualnym poszukiwaniu wad produktu wykorzystuje się systemy wizyjne maszyn.

Konwencjonalnie można je podzielić na dwie części:

• kontrolę półproduktu i
• kontrolę gotowego produktu na końcu cyklu produkcyjnego.

Za pomocą sieci neuronowych możliwe jest wykrycie od 92% do 99% wszystkich defektów, w zależności od zadania, z fałszywymi alarmami na poziomie 3-4%. 

Nowoczesne systemy analizy obrazu wideo mogą identyfikować potencjalnie niebezpieczne sytuacje w przedsiębiorstwach przemysłowych. Śledzenie zdarzeń według ustalonych parametrów pozwala zminimalizować liczbę niechcianych incydentów, zapewnić płynne działanie sprzętu oraz zmniejszyć ryzyko wypadków przemysłowych. Korzystając z kamer i danych z innych czujników w miejscu pracy, operatorzy mogą umożliwić bezpieczną współpracę robotów i maszyn.

Wśród głównych scenariuszy pracy przemysłowej analityki wideo jest kontrola dostępności środków ochrony osobistej (kaski, linki bezpieczeństwa, fartuchy, słuchawki) oraz dostępu do obszarów niebezpiecznych. Za pomocą analityki wideo możliwe jest również identyfikowanie otwartego ognia, pęknięć rurociągów, wycieków, dymu, identyfikowanie faktów naruszenia integralności ogrodzeń, przenoszenie obiektów przez obwód oraz wykrywanie porzuconych obiektów. Możliwe staje się również śledzenie palenia  lub korzystania z telefonu w niedozwolonych miejscach (np. na stacji benzynowej). Innym scenariuszem wykorzystania wizji komputerowej do kontroli bezpiecznych warunków pracy jest monitorowanie stanu personelu roboczego i określanie zmęczenia.

Analityka wideo służy do monitorowania obszarów produkcyjnych i infrastruktury. Możliwości analizy obrazu wideo do identyfikacji i lokalizacji poruszających się obiektów i pojazdów, lokalizacji sprzętu i ludzi oraz śledzenia tego, co dzieje się w dowolnym obszarze, przekraczają ludzkie możliwości. Ten rodzaj zarządzania systemem komputerowym i inteligentne przydzielanie zadań poprawia ogólną produktywność i zwiększa zwrot z użytkowania sprzętu.

Problemy ze zbieraniem danych do późniejszej analizy są często związane z faktem, że wiele przedsiębiorstw może  posiadać stary sprzęt. Wyposażenie go w czujniki nie zawsze jest ekonomicznie opłacalne. Aby zdigitalizować taki sprzęt i zaoszczędzić na przezbrajaniach, możliwe jest wykorzystanie wizji komputerowej do odczytywania danych z ekranów.

Roboty z komputerowymi systemami wizyjnymi są w stanie uwzględnić lokalizację obiektów, analizując strumień wideo z kamery 3D oraz dane z laserów i czujników. Takie podejście pozwala robotom wykonywać zadania z dużą dokładnością i w niemal każdym oświetleniu. Modele widzenia komputerowego służą do planowania ruchów robota i unikania kolizji. Źródłem danych dla algorytmów jest zainstalowany na robocie dalmierz laserowy (lidar), który z zadaną częstotliwością wysyła wektor współrzędnych na wejście algorytmu wizji komputerowej.

Kamery CCTV są podstawą systemów monitoringu pojazdów. Główne zastosowania, które są już szeroko stosowane, to: systemy rejestracji wideo wykroczeń drogowych; zarządzanie parkowaniem pojazdów; system monitorowania ruchu (wykrywanie zatorów, poprawa bezpieczeństwa, zwiększenie przepustowości poprzez adaptacyjne sterowanie sygnalizacją świetlną; rejestracja zdarzeń drogowych); systemy bezpieczeństwa w celu ustalenia faktu porwania, przeprowadzenia przeszukania lub działań antyterrorystycznych.

W medycynie widzenie komputerowe wykorzystywane jest do automatycznej analizy wszystkich rodzajów wizualizacji diagnostycznej: cytologii i patohistologii, obrazów skóry, miejsc chorobowych, obrazu endoskopowego, wyników radiologicznych (radiografia, tomografia komputerowa i rezonans magnetyczny, techniki hybrydowe, obrazy ultrasonograficzne). Główne zadania: badania przesiewowe, wsparcie w podejmowaniu decyzji diagnostycznych, zwiększenie produktywności lekarza, kontrola jakości i zapobieganie błędom.

Przetwarzanie języka naturalnego

Przetwarzanie języka naturalnego (NLP) to skrzyżowanie uczenia maszynowego i lingwistyki matematycznej, mające na celu poznanie metod analizy i syntezy języka naturalnego. NLP jest używany w wielu obszarach, w tym asystentach głosowych, automatycznym tłumaczeniu tekstu i filtrowaniu tekstu.

Główne trzy obszary to:

• rozpoznawanie mowy
• rozumienie języka naturalnego
• generowanie języka naturalnego

Głębokie uczenie znacząco podniosło (i nadal poprawia) jakość przetwarzania języka maszynowego, w przypadku niektórych zadań już zbliżonych do poziomu ludzkiego.

Organizacje mogą korzystać z aplikacji NLP na dwa sposoby:

1. Aby zrozumieć żądania użytkownika sformułowane w języku naturalnym (zarówno tekst, jak i głos):
    
   1. Zapewnienie lepszej i bardziej ukierunkowanej odpowiedzi poprzez zrozumienie pytań użytkowników i ich pragnień;
   2. Identyfikacja żądań zewnętrznych i prezentacja inteligentnych alternatyw.
      
      
2. Aby zrozumieć treść tekstów (wyodrębnianie informacji z tablic nieustrukturyzowanych danych):
   
   
   1. Pozyskiwanie informacji prawnych z dokumentów tekstowych w celu identyfikacji pracowników, klientów, produktów, procedur itp.;
   2. Identyfikowanie i rozumienie znaczenia treści w języku naturalnym (dokumenty, raporty, wiadomości e-mail itp.) w celu udzielania odpowiedzi w języku naturalnym.

NLP pozwala lepiej zrozumieć żądania użytkowników i analizować informacje korporacyjne. Zastosowanie tej technologii zapewnia każdemu użytkownikowi dostęp do najistotniejszych, użytecznych źródeł informacji, które w przeciwnym razie pozostałyby ukryte w ogromnych ilościach danych.

Główne rodzaje przetwarzania języka naturalnego to:

1. Optyczne rozpoznawanie znaków:
   mechaniczne lub elektroniczne tłumaczenie obrazów tekstu pisanego odręcznie, maszynowo lub drukowanego na dane tekstowe, które są używane do przedstawiania znaków w komputerze.
   
   
2. Rozpoznawanie mowy:
   przekształcanie wypowiadanych słów na dane zrozumiałe dla komputera. Jest to technologia NLP stosowana w asystentach głosowych, takich jak Siri, Alice, Cortana, Echo czy Google Assistant.
   
   
3. Tłumaczenie maszynowe:
   Tłumaczenie tekstu z jednego języka na drugi. Ta technologia leży u podstaw takich aplikacji tłumaczeniowych, jak Tłumacz Google, DeepL
   
   
4. Generowanie języka ludzkiego:
   Ta technologia jest używana, gdy Alice, Siri lub Cortana odpowiedzą na Twoje pytanie.
   
   
5. Analiza sentymentu:
   wydobywanie danych z kontekstu (często „duży tekst”, duży tekst) i ocena, czy te dane są emocjonalnie negatywne czy pozytywne.
   
   
6. Wyszukiwanie semantyczne:
   technologia ściśle związana z rozpoznawaniem mowy, która umożliwia zadawanie pytań asystentom głosowym tak, jakbyś rozmawiał z inną osobą.
   
   
7. Programowanie w języku naturalnym:
   Są to narzędzia, które pozwalają użytkownikom tworzyć aplikacje i oprogramowanie za pomocą poleceń języka naturalnego (zamiast programowania w tradycyjny sposób).
   
   
8. Przetwarzanie afektywne:
   wykorzystanie NLP i innych technologii do rozumienia i odtwarzania ludzkich emocji.

Trendy rynkowe w segmencie NLP:

Rozpoznawanie i synteza mowy

Rozpoznawanie i synteza mowy to system rozwiązań, które umożliwiają przełożenie prośby mowy na formę tekstową, w tym analizę barwy i tonu głosu oraz rozpoznawanie emocji.

Systemy automatycznego rozpoznawania mowy są z reguły składnikiem oprogramowania i służą do automatyzacji procesów i uproszczenia interakcji między użytkownikiem a systemem informatycznym. Przykładami najbardziej udanych zastosowań technologii rozpoznawania mowy jest oprogramowanie wykorzystywane w call center. Uznanie za część takich produktów pozwala automatycznie przetwarzać proste żądania, kontrolować jakość świadczonych usług oraz oceniać poziom zadowolenia klientów. 

Jednym z kluczowych elementów takich systemów jest moduł rozpoznawania mowy. Wraz z rozwojem branży rozrywkowej znacznie wzrosła również ilość danych audiowizualnych. Konieczność opisywania takich danych jest kluczem do udostępnienia treści osobom z wadami słuchu. Równie istotne są systemy dyktowania, które tłumaczą mowę na tekstową reprezentację, wydobywanie streszczeń i przygotowywania notatek. Takie systemy są popularne w dziennikarstwie, diagnostyce medycznej, protokołach sądowych czy spotkaniach. Technologia rozpoznawania mowy jest szeroko stosowana w edukacji: w różnych produktach programowych przeznaczonych do nauki języków obcych.

Wprowadzenie AI rozszerzyło zakres technologii syntezy mowy. W niedalekiej przyszłości synteza będzie wykorzystywana do automatycznego tworzenia newsów, filmów dźwiękowych, gier i interaktywnych kursów edukacyjnych. Każdy będzie mógł stworzyć cyfrową kopię swojego głosu i swobodnie komunikować się w różnych językach. Możliwe, że interfejsy głosowe zostaną wprowadzone nawet do zwykłych urządzeń domowych, a inteligentne głośniki staną się nieodzownym atrybutem każdego mieszkania.

Chociaż systemy syntezy neuronowej dokonały dużego skoku w gładkości i naturalności, wciąż istnieje wiele nierozwiązanych problemów, takich jak synteza emocji czy synteza rzadkich języków, dla których trudno jest znaleźć wystarczającą ilość danych do modelowania. Osobno warto wspomnieć o etycznej stronie rozwoju takich systemów, ponieważ wysokiej jakości syntezatory, które potrafią powtarzać barwę głosu osoby za pomocą zaledwie kilku minut jego wypowiedzi, mogą być wykorzystywane przez oszustów do włamywania się do systemów biometrycznych, szpiegostwa lub szantażem. Wszystkie te problemy muszą zostać rozwiązane w przyszłości.

Obecnie główną przeszkodą jest to, że sieć neuronowa generuje mowę słowo po słowie. To znaczy, chociaż generuje spójny tekst patrząc daleko wstecz, nie zatrzymuje myśli patrząc daleko w przyszłość. Nie ma planu dialogowego i zamiaru przekazania jakiejś idei rozmówcy, jakoś go do tego skłonić. Po prostu rozwija pewien temat. W związku z tym następna generacja modeli językowych powinna mieć pewne wyobrażenie o historii i rozwijać swoje myślenie w oparciu o jakiś ostateczny cel. Bez tego niemożliwe będzie stworzenie sztucznego umysłu, który będzie w stanie rozsądnie obronić i udowodnić swój punkt widzenia.

NLP jest wykorzystywane jako część wojen informacyjnych, które toczą się na poziomie państwowym. Te wojny toczą się w przestrzeni portali społecznościowych, mediów, wyszukiwarek, portali internetowych, forów, blogów. Jedną z najsłynniejszych historii ostatnich czasów jest afera Cambridge Analytica, która przeanalizowała dane profilowe około 87 milionów użytkowników Facebooka i wybrała dla nich komunikaty reklamowe w taki sposób, aby skłonić tego użytkownika do głosowania w niektórych wyborach w Stanach Zjednoczonych, w szczególności w wyborach prezydenckich, USA Donald Trump w 2016 r.

Inną aplikacją aktywnie wykorzystywaną przez służby rządowe jest analiza przestrzeni informacyjnej (głównie portali społecznościowych) z próbą zidentyfikowania aktywnych grup obywateli komunikujących się np. na tematy opozycyjne lub generalnie negatywnie nastawionych do władz. Celem takiej analizy może być przewidywanie niesankcjonowanych wieców lub identyfikacja liderów opinii. Również od dawna technologie NLP działają w systemach środków technicznych, aby zapewnić funkcje działań operacyjno-wyszukiwawczych, które są we wszystkich głównych kanałach komunikacyjnych dla dużych operatorów telekomunikacyjnych, umożliwiając analizę otwartego ruchu (np.  e-mail lub telefon) w celu identyfikacji określonych słów kluczowych i szybkiej reakcji na pojawiające się sytuacje.

Jednym z najnowszych zastosowań technologii NLP jest generowanie tekstów na zadany temat. Aplikacji do takiego wykorzystania jest wiele - od negatywnych recenzji o konkurencyjnej firmie w sieci po generowanie fałszywych wiadomości na dany temat w celu ataku informacyjnego.

Analityka predykcyjna, inteligentne systemy wspomagania decyzji

Analityka predykcyjna (PA) służy do przewidywania przyszłych zdarzeń. PA analizuje dane bieżące i historyczne przy użyciu metod ze statystyk, eksploracji danych, uczenia maszynowego i sztucznej inteligencji w celu przewidywania przyszłości. PA łączy matematykę, informatykę oraz procesy biznesowe produkcji i zarządzania. Firmy mogą wykorzystywać duże zbiory danych do zwiększania zysków dzięki skutecznemu stosowaniu analiz predykcyjnych. Możliwości analityki predykcyjnej znacznie wzrosły wraz z rozwojem big data.

Etapy budowy modelu predykcyjnego:

1. Zbiór wymagań.
2. Zbieranie danych.
3. Przygotowanie i analiza danych. Dane nieustrukturyzowane są konwertowane do postaci ustrukturyzowanej. Sprawdzanie jakości danych, eliminowanie błędów i pominięć. Tworzenie próbek szkoleniowych i testowych.
4. Statystyki, uczenie maszynowe. Wszystkie modele analizy predykcyjnej oparte są na metodach statystycznych i/lub uczenia maszynowego. Uczenie maszynowe często ma przewagę nad tradycyjnymi metodami statystycznymi, ale metody statystyczne są zwykle zawsze zaangażowane w rozwój dowolnego modelu predykcyjnego.
5. Model predykcyjny. Tworzenie i testowanie modeli.
6. Prognozowanie i monitorowanie. Po pomyślnym przetestowaniu model jest wdrażany do codziennych prognoz i podejmowania decyzji. Wyniki i raporty generowane są przez model procesu zarządzania. Model jest regularnie monitorowany, aby upewnić się, że daje prawidłowe wyniki i dokonuje dokładnych prognoz.

Niektóre z najczęstszych zastosowań analityki predykycjnej to:

Wykrywanie oszustw:
Wykrywanie i zapobieganie zachowaniom przestępczym można usprawnić, łącząc kilka metod analizy. Analityka behawioralna może być wykorzystywana do monitorowania działań w sieci w czasie rzeczywistym, identyfikowania nietypowych działań, które mogą być oznakami oszustwa. Stosując tę ​​koncepcję, można również odkryć nowe zagrożenia.

Ograniczanie ryzyka:
Analizy predykcyjne są stosowane do oceny prawdopodobieństwa niewykonania zobowiązania przez kupującego lub konsumenta, któremu przypisano rating kredytowy. Ocena kredytowa jest generowana przez model predykcyjny wykorzystujący wszystkie dane dotyczące zdolności kredytowej osoby/firmy. Modele predykcyjne są wykorzystywane przez banki przy wydawaniu kart kredytowych oraz przez firmy ubezpieczeniowe do wykrywania nieuczciwych działań klientów.

W przemyśle naftowym i gazowym systemy wykrywania anomalii i predykcyjnej konserwacji są ważnymi zastosowaniami uczenia maszynowego. Powszechne stosowanie czujników zachęca do korzystania z tego typu analityki. Defekty w turbomaszynach, pompach i silnikach można wykryć na wczesnym etapie, dzięki czemu można zapobiec dalszym stratom, zamieniając nieplanowane naprawy w zaplanowane.

Korzyści płynące z zastosowania metod analizy danych zostały jasno wykazane w projekcie Boston Consulting Group, którego celem było stworzenie systemu zarządzania platformą naftowo-gazową. Uzyskanie danych eksploatacyjnych pomaga w zapobieganiu przestojom urządzeń dynamicznych i ocenie osiągalnego potencjału ich pracy. Ponadto kontrola procesu otwiera nowe możliwości radzenia sobie z wąskimi gardłami w produkcji.

Optymalizacja kampanii marketingowych:
zastosowanie analiz predykcyjnych może zidentyfikować potencjalnych klientów i zachęcić ich do zakupu produktu. PA jest aktywnie wykorzystywany do promowania sprzedaży krzyżowej, pomagając firmom przyciągać i zatrzymywać dochodowych klientów.

Wczesne wykrywanie anomalii w tym procesie jest jednym z głównych celów Przemysłowego Internetu Rzeczy. Znane wzorce procesów mogą zostać przerwane przez rzadkie zdarzenia, które normalnie nie są wykrywane przez specjalistę w tej dziedzinie. W najgorszym przypadku anomalia może spowodować zatrzymanie całej linii produkcyjnej. Biorąc pod uwagę szeroki wachlarz danych z czujników zakładów przemysłowych, szukanie anomalii poprzez ręczną inspekcję wydaje się nierozsądne.

Prognozowanie rezerw i zarządzanie zasobami można osiągnąć poprzez zastosowanie PA. Linie lotnicze mogą używać PA do ustalania cen biletów, hotele mogą używać PA do przewidywania liczby gości w danej nocy, aby zmaksymalizować obłożenie i zwiększyć przychody, firmy farmaceutyczne mogą przewidywać wygaśnięcie leków w danym regionie z powodu spadku sprzedaży i lepiej planować produkcję.

Prognozowanie popytu: Warstwa predykcyjna oferuje rozwiązanie do przewidywania zużycia energii elektrycznej. Specjalistyczny silnik do dynamicznej wyceny pomógł wygenerować dość dokładną prognozę zużycia na kolejny dzień. Deklarowane oszczędności w rocznym zakupie energii elektrycznej na krajowych rynkach energii elektrycznej UE to ponad 45 mln USD.

W logistyce na skalę międzynarodowych korporacji możliwe stało się stworzenie jednolitego cyfrowego systemu logistycznego . DHL i IBM opisują funkcję AI w logistyce w połączeniu z robotyzacją procesów (RPA), gdzie AI uczy się replikować i ulepszać procesy w oparciu o dane dostarczone przez RPA. Systemy sztucznej inteligencji stają się asystentami w procesach logistycznych opartych na ludzkich decyzjach. Oprócz RPA systemy AI pomagają logistyce zmienić model operacyjny z zachowań reaktywnych na operacje predykcyjne i proaktywne za pomocą różnych modeli predykcyjnych.

System wspomagania decyzji klinicznych : Systemy eksperckie oparte na modelach predykcyjnych mogą być wykorzystywane do postawienia diagnozy u pacjenta. PA może być stosowany w opracowywaniu leków.