AIgorytm sztucznej inteligencji obsługuje zgłoszenia reklamacyjne
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.