兩個機器學習（ML）模型建構器的釋出使得軟體工程師可以更容易地建立和運作ML模型，即使沒有專門的教育訓練。
微軟和亞馬遜網絡服務（AWS）的Gluon是一個開源項目，它消除了開發人工智能（AI）系統所需的一些艱巨的工作。它提供了訓練算法和神經網絡模型，這是深度學習系統的兩個重要組成部分，開發人員可以使用它們來開發自己的ML系統。
Google的ML引擎是其雲平台的一部分，是為開發人員提供的托管服務，用于建構可處理任何類型、任何大小的資料的ML模型。與Gluon相似，Google的服務為開發人員提供了預先訓練的模型，以生成自己的量身定制的ML模型。
現在是仔細研究ML的好時機，看看您如何将其應用到您的業務中。大資料與機器學習的結合可以揭示可用于建立和改進産品或在競争中獲得優勢的模式，進而釋放您已經擁有的資料的價值。
下面企業将ML應用到産品和服務創新的5種方式。
1.自動駕駛汽車
自動駕駛汽車可以為運輸帶來更安全，更清潔，更高效的未來。軟體開發人員使用ML和深度學習（DL）算法來增強計算機視覺，使車輛能夠以類似于人類決策的方式做出決策。
Drive.ai（
https://www.drive.ai/）正在使用DL建構自動駕駛車輛的“大腦”。它的團隊使用受管理的從業人員将非結構化資料從原始圖像轉換為結構化資料，使用邊界框注釋對象，如道路标志、紅綠燈和行人。
這些豐富的圖像然後用于“教導”自治系統如何識别物體以及如何在道路上行駛時确定适當的響應。
2.寫作指導
教人們如何寫作是很難衡量的。即使對有經驗的高中教師和大學教授來說，複習書面作業并向每個班級的每個學生提供有意義的回報也是一個挑戰。
Ecree使用ML為其自動寫作評估軟體提供功能。當學生送出論文時，算法會識别出學生是否包括論文陳述或目的陳述，然後評估該陳述的品質。
該軟體使用36個名額來評分學生的作業，并能在不到一分鐘的時間内向學生提供回報。學生可以送出任意數量的草稿，并得到實時寫作指導，學習優秀寫作的要素：組織性、清晰性、支援性證據和分析。該工具還確定使用相同的标準對每個學生進行同等的評估。
3.物聯網和IIoT預測性維護
裝置維護是将大量機械部署到現場的公司所面臨的衆多昂貴挑戰之一。物聯網（IoT）和工業物聯網（IIoT）在從燃油表到輪胎的日常物體上使用内置傳感器，以收集資料并在網絡上共享。該系統使用ML分析溫度和濕度等資料，以預測性能和未來結果。
卡特彼勒（Caterpillar）是一家制造船舶動力系統的公司，它使用物聯網和機器學習來發現裝置和裝置資料中的模式。在一個示例中，卡特彼勒（Caterpillar）識别出燃油表讀數與船上冷藏集裝箱使用的電量有關。他們使用該資料通過修改發電機輸出來優化運作參數。這樣，對于50艘船，每小時可節省30美元，或一年節省650,000美元。
4.入庫物流計劃
物流計劃可確定合适的人在合适的時間在合适的地點收到合适數量的供應品。入庫物流側重于供應商及其向企業發送的商品的管理。這是管理訂單，運輸，倉儲，庫存控制和使用的複雜過程。通過收集有關現有計劃的資料并将其輸入到ML模型中，企業可以預測并推薦未來的流程。
沃爾瑪使用ML來優化業務效率。 其Retail Link 2.0系統使用在整個供應鍊中流動的資訊來識别偏離其流程的資訊，是以可以實時進行調整。
汽車制造商本田使用機器學習來檢測裝配線以外的品質問題，方法是在保修退回單的自由文本字段和機械師的報告中識别模式。
5.零售商業
在商店或網上銷售産品的公司收集大資料已經有一段時間了。他們收集有關消費者、消費習慣和偏好的人口統計資料。挑戰在于收集線上和離線資料，并識别資料中可能對定價、庫存、客戶體驗和盈利能力産生積極影響的模式。
機器學習使零售商有可能發現資料中的模式，他們可以根據這些模式來影響客戶的品牌體驗。電子商務零售商可以在購物者浏覽和購買其網站上的商品時收集資料，然後利用這些資訊和市場趨勢來提供個性化的産品推薦，進而增加銷量。
零售巨頭亞馬遜是最早根據購物者的浏覽和購買曆史來實施個性化産品推薦的公司之一。ML支援該推薦引擎的各個方面，以及其數字語音助手亞馬遜的Alexa使用的自然語言處理功能。
奢侈品服裝零售商麗貝卡·明科夫（Rebecca Minkoff）利用Alexa快速從他們的資料中提取細節。在ShopTalk大會上，聯合創始人Uri Minkoff向Alexa詢問了該品牌春季系列中購買量最大的商品，并在一秒鐘内得到了正确的回複。
一旦您決定在您的業務中使用ML和DL，您的資料就是要開采的黃金。看看您的非結構化和結構化資料，ML模型可以使用這些資料将您的許多基本流程轉換為智能系統，以實作創新和競争優勢。
原文連結