В наше время факторы, которые подпитывают рост влияния и охвата машинного обучения в секторах экономики, растут стремительными темпами и будут дальше расти по мере нашего продвижения вперед. Это связано с тем, что большие данные становятся все больше, скорость передачи данных выше, плюс доступность более дешевого хранилища данных, а также появление мощных графических процессоров (GPU), позволяющих развертывать алгоритмы глубокого обучения. Кроме того, новые исследования в области глубокого обучения и других областей машинного обучения будут по-прежнему внедряться в реальное производство в течение следующих нескольких лет, что приведет к новым возможностям и приложениям.

Методы искусственного интеллекта, такие как сверточные нейронные сети (CNN), глубокое обучение с подкреплением и генеративно-состязательные сети (GAN), будут играть важную роль в этом мире наряду с традиционными методами машинного обучения. В частности, трансформеры с самостоятельным вниманием буквально преобразили обработку естественного языка, а также оказали влияние на компьютерное зрение с помощью трансформаторов зрения (ViT), временных рядов, химии и Биология. Кроме того, захватывающий потенциал существует в новых методах, таких как нейросимволический ИИ (также известный как составной ИИ), нейроэволюция и политика нейронных цепей.

Кроме того, существует огромный потенциал машинного обучения, который может сыграть ключевую роль в смягчении последствий изменения климата и обеспечении устойчивого экономического роста.

Секторы экономики, затронутые искусственным интеллектом

Финансовые услуги: варианты использования здесь включают приложения, связанные с регулирующими технологиями, такие как использование распознавания лиц и проверки для «Знай своего клиента» из документов. Это часто обеспечивается CNN, хотя Vision Transformers также могут потенциально повлиять на эту область.

Финансовые фирмы также могут использовать ИИ для извлечения текста из финансовых документов, таких как документы компании, и документов с личной информацией, таких как водительские права и паспорта.

В области управления инвестициями ИИ может применяться для репликации и отслеживания индекса ETF пассивного портфеля. Обнаружение мошенничества основано на моделях CNN и Gaussian Mixture. Кроме того, компании, предоставляющие финансовые услуги, применяют методы машинного обучения к кредитным рискам для принятия решений о кредитовании и оценке рисков других контрагентов с помощью линейной регрессии, случайных лесов, градиентного повышения и нейронных сетей. Контроль трейдера и обнаружение мошенничества могут быть реализованы с использованием вариационных автокодировщиков (VAE) для обнаружения аномалий. В розничном секторе есть много возможностей для применения ИИ в таких областях, как платежи лицом (с использованием CNN). Модели-трансформеры с самостоятельным вниманием применяются к настроению и текстовой аналитики.

Страхование: ИИ обладает огромным потенциалом в этом подсекторе финансовых услуг. Примеры включают автоматизацию процесса проверки заявлений, посредством чего, например, если владелец полиса подал заявку на автомобиль, который был застрахован по полису, то CNN может использоваться для проверки того, что марка и модель совпадают с указанными в страховом полисе. Чат-боты использовались в качестве виртуального агента для общения с конечным пользователем. Кроме того, вариационные автоэнкодеры также можно использовать для проверки наличия выбросов.

Сектор розничной торговли: этот сектор, вероятно, будет сильно затронут ИИ и машинным обучением как в электронной торговле, так и в физической стороне бизнеса. Сторона электронной коммерции генерирует большие наборы неструктурированных данных, которые можно использовать для получения значимой информации, которая, в свою очередь, позволяет использовать механизмы персонализации и рекомендаций. Примеры включают использование совместной фильтрации для рекомендаций, CNN для обнаружения и классификации одежды и обработки естественного языка (NLP) для извлечения описательного текста и рекомендаций по следующей корзине. Трансформеры с вниманием к себе вторгаются с рекомендательными системами. Розничные продавцы несут большие денежные затраты на запасы, и методы машинного обучения могут помочь им оптимизировать управление этими запасами, чтобы сократить потери и затраты. Скорее всего, мы увидим появление виртуальных стилистов, основанных на методах глубокого обучения в сочетании с НЛП, которые позволят ритейлерам предлагать комбинации для завершения образа. Оплата лицом, скорее всего, будет востребована и в будущем. Физические роботы на базе ИИ (глубокое обучение с подкреплением или нейроэволюция) появятся для оптимизации управления цепочками поставок на складах и, возможно, даже в будущем с автоматизированной доставкой и обслуживанием клиентов.

Маркетинг: многое из этого описано выше в розничной торговле. Скорее всего, мы увидим, что маркетинг станет первым сектором, который будет преобразован с помощью ИИ, поскольку он имеет более низкие нормативные барьеры по сравнению с другими секторами и большие наборы доступных данных. Гиперперсонализация с сегментацией клиентов и целевым маркетингом, который очень актуален для пользователя как будущее маркетинга. Методы НЛП помогают нам добывать огромное количество неструктурированной информации, представленной в социальных сетях, для автоматизированной генерации потенциальных клиентов.

Здравоохранение: этот сектор, вероятно, будет одним из наиболее трансформированных ИИ с течением времени. Машинное обучение будет иметь большое значение в таких областях, как медицинская визуализация (CNN и Vision Transformers), применение моделей Transformer к электронным данным здравоохранения (NLP), роботизированная хирургия с использованием глубокого обучения с подкреплением с 5G. Применение методов машинного обучения к носимым устройствам, позволяющее нам обрабатывать данные датчиков, чтобы обеспечить профилактическое медицинское обслуживание. Кроме того, в таких областях, как точная медицина, используются такие методы, как вариационные автоэнкодеры, улучшающие результаты для пациента. Открытие новых лекарств и регенеративная медицина значительно сокращают время, затрачиваемое на клинические испытания, и время выхода новых лекарств на рынок.

Транспорт: это сектор, который сталкивается с фундаментальными изменениями, когда автономные автомобили и дроны становятся реальностью. 5G позволит подключенным автомобилям стать капсулой впечатлений, основанной на дополненной реальности и виртуальной реальности для тех, кто внутри. Кроме того, такие области, как многоагентное глубокое обучение с подкреплением, позволят автоматизированным автомобилям сотрудничать друг с другом и с окружающей средой, таким образом обеспечивая прочную основу для связи с четко определенными стандартами. Это позволит обеспечить безопасное автономное вождение. Кроме того, технология автономных дронов сможет оказывать материально-техническую поддержку поисково-спасательным группам в районах с труднодоступной или труднопроходимой местностью, а также помогать фермерам в автоматизированном орошении и сборе урожая.

Безопасность: это сектор, который принесет большую пользу от принятия машинного обучения методов, таких как CNNs и Vits для обнаружения лица и распознавания, поведенческого распознавания в видео и помочь в обнаружении подозрительной активности в кибер – безопасности. Интересные достижения были достигнуты с помощью мультимодальных преобразователей, применяемых к видео для классификации, которые могут иметь будущий потенциал в этом секторе. Федеративное обучение может иметь значительный потенциал в области кибербезопасности, особенно в эпоху автономных сетей 5G, где безопасность устройств является основным фактором. Генеративно-состязательные сети (GAN) также имеют потенциал с приложениями кибербезопасности, а также потенциал неблагоприятного воздействия на безопасность с технологией Deepfake, используемой для целей, связанных с киберпреступностью.

Производство и промышленность. Производственный сектор совершит революцию, которая приведет к появлению автономных агентов, таких как роботы, способные к автоматическому анализу дефектов, а применение глубокого обучения с подкреплением обеспечит точное производство с гораздо более высокой скоростью и масштабом, а также повышение эффективности управления цепочками поставок. Потенциал также может существовать в подходах, основанных на Deep Neuroevolution, в производственной робототехнике.

Вышеизложенное не является исчерпывающим, и следует отметить, что другие сектора, такие как путешествия и туризм, будут сильно затронуты, поскольку отели, авиалайнеры и компании по аренде автомобилей будут использовать различные формы машинного обучения. В сельском хозяйстве все больше будут внедряться автономные системы. Образование также увидит более широкое использование ИИ для помощи учителям. Строительная отрасль получит выгоду от развертывания роботов для масштабного строительства и методов машинного обучения, помогающих архитекторам на этапе проектирования.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *