Aplikacja wspierana przez sztuczną inteligencję, która zintegrowana z kontami e-mail, rozpoznaje czy przesłana treść elektronicznej korespondencji jest zgłoszeniem reklamacyjnym, pobiera treść tego zgłoszenia  i przekazuje ją automatycznie do systemów ERP  w celu  dalszego procedowania.

Wykorzystujemy modele zgodnie z najnowszym stanem wiedzy.

Wykorzystana technologia: rekurencyjne sieci neuronowe (LSTM)

Do stworzenia, wytrenowania i zaimplementowania sieci wykorzystano technologie:

Python, Keras, TensorFlow, NLTK, Pandas

Podczas prac nad innowacyjnymi projektami  korzystamy z rozwiązań które pozwalają przetestować  najbardziej ryzykowne założenia.  Podczas prac wykorzystaliśmy  fazę PoC aby upewnić się, że proponowane rozwiązanie będzie spełniać swoje cele.  Ten etap prac dostarczył danych, na podstawie których można  było przygotować  wnioski  na temat stanu rozwiązania,  na temat skali zamierzonych  korzyści, które mogą być dostarczone ludziom i firmie, oraz  kluczowych wskaźników efektywności. 

Rozwiązania  AI  wymagają ciągłego trenowania i ulepszania czy też nieustającego zbierania danych, rozwijania wiedzy i uczenia się. Realizuje się to  poprzez stworzenie pętli informacji zwrotnej, w której nowe dane dostarczone do aplikacji  są wykorzystywane przez nią  w celu dalszego  uczenia się  i poprawy wydajności działania.

Techniki uczenia maszynowego możemy podzielić na  uczenie nadzorowane, nienadzorowane, uczenie częściowo nadzorowane, uczenie przez wzmacnianie i uczenie na podstawie przeniesienia. Dane wykorzystywane do uczenia i optymalizowania modeli uczenia maszynowego mogą być podzielone na dane, które mają etykietę i na dane, które etykiety nie mają. Dane z etykietą mają celową zmienną lub wartość, która ma zostać przewidziana dla danej kombinacji zmiennych, atrybutów, pól.

O uczeniu nadzorowanym możemy mówić w przypadku  tej części uczenia maszynowego, w której wykorzyustujemy dane z etykietami. W uczeniu  nienadzorowanym  nie posługujemy się  etykietami. Uczenie częściowo nadzorowane korzysta z obu rodzajów danych.   Uczenie nadzorowane stosuje się w przypadkach  gdy pracujemy nad  przewidywaniami, personalizacją, systemami  poleceń i operacjami rozpoznawania  wzorców. Uczenie nadzorowane możemy podzielić dalej na dwa obszary: regresję oraz klasyfikację. Obie te techniki służą do dokonywania predykcji. Regresję stosuje się przeważnie do określenia wartości pojedynczej liczby naturalnej lub rzeczywistej, natomiast z klasyfikacji korzysta się, aby przypisać jedną lub więcej klas czy kategorii zbiorowi danych wejściowych.

Jesteś zainteresowany wykorzystaniem rozwiązań opartych na algorytmach sztucznej inteligencji w swojej firmie? Napisz do nas!