5 esempi di apprendimento automatico che dovresti conoscere

0

Paul Matthews, freelance tech writer, writes about examples of apprendimento automatico across the the assistenza sanitaria, entertainment, marketing and education industries. 

Dallo sviluppo del front-end al settore automobilistico, le applicazioni di apprendimento automaticog for business purposes is bigger than ever. Examples of machine learning in the real world include recommendation engines, object detection, natural language processing, and more. Let’s analyse five interesting examples of how ML is being used to deliver better online experiences and advance healthcare and education.

1. Musica: Spotify e Soundcloud 

 Aziende come Universal, Sony e EMI hanno attraversato una massiccia digitalizzazione negli ultimi 10 anni, evolvendo da "vendere un certo numero di dischi" a "trasmettere quel disco per un numero 'n' di volte". La monetizzazione tramite annunci attraverso i play su portali come Youtube, Spotify e Soundcloud è qualcosa di ricercato. Come possono queste piattaforme guidare costantemente il traffico e le orecchie verso le loro uscite in un mercato musicale così rumoroso? Attirando automaticamente sempre più utenti, con strumenti di Machine Learning. Quante volte avete visto (o meglio, sentito) una traccia casuale nel vostro mix quotidiano consigliata come "qualcosa basato sui vostri gusti"? La risposta a questo problema è un'applicazione relativamente semplice che combina

1. la struttura attuale della canzone, e
2. il fatto che gli utenti hanno giocato la vostra canzone preferita prima o dopo quella raccomandata.

Sia Spotify che Soundcloud usano un algoritmo ML per capire e analizzare le scelte dell'utente e prendere una decisione in base alle informazioni che hanno raccolto.

2. PathAi: Diagnosi rapida con Tensorflow 

PathAi è principalmente un'applicazione basata su Tensorflow che aiuta ad accelerare la diagnosi associando i sintomi e altre variabili ambientali (demografiche, posizione e così via). Il più grande punto di forza di PathAI è il fatto che non solo potrebbe essere lanciato su un'architettura completamente basata sul cloud, ma è anche estremamente sottile, rispetto ad altri ingombranti pezzi di software nel settore sanitario, che sono, a volte, che richiedono hardware ad-hoc. PathAi è sicuramente destinata a diventare estremamente grande nel prossimo futuro, data la sua recente ondata di investimenti che ammontavano a oltre $11 milioni. 

È abbastanza difficile elencare qualsiasi startup medica legata al ML o alla tecnologia come un futuro "standard industriale", ma, per ora, possiamo tranquillamente dire che PathAi sta gettando le basi per il futuro della salute e della tecnologia. 

3. Concerto: Scienza dei dati medici via ML 

Con Concerto, stiamo ancora analizzando il settore sanitario e le sue applicazioni basate sull'apprendimento automatico. Quando Concerto è stato sviluppato, i suoi creatori avevano un'idea chiara: costruire qualcosa che avrebbe potuto aiutare oncologi, chirurghi e medici generici nella comprensione dei sintomi, elaborando automaticamente database voluminosi e talvolta confusi in una frazione di secondo. Concerto è, infatti, il primo strumento legato alla scienza dei dati per scopi medici. Costruito a New York da un team di ex scienziati di dati, Concerto è stato un rinfrescante profumo di tecnologia in un mondo medico che, in termini di elaborazione dei dati, si basa ancora sulla carta e sulla comunicazione lenta tra i professionisti, rendendo, a volte, lo sviluppo di qualsiasi forma di procedura lento e stressante. Concerto è un esempio forte e tangibile di come la scienza dei dati si applichi a infrastrutture e architetture per costruire processi e non per meri obiettivi di marketing e annunci di retargeting. Concerto è destinato a diventare il database più utilizzato nel 2025, almeno negli Stati Uniti. 

4. Personalizzazione del web: Quello che ti piace, quando lo vuoi 

Ah, l'apprendimento automatico e il marketing. Se questa non è la più grande combinazione del decennio, allora non ce n'è un'altra. Con la personalizzazione del web, ci riferiamo all'utilizzo di una serie di linguaggi di programmazione (principalmente Pitone e Javascript) per ottimizzare un catalogo, un elenco di prodotti o un contenuto di una pagina web/applicazione. Il processo di personalizzazione si divide in 3 sezioni principali: acquisizione, elaborazione e costruzione. 

-Il acquisizione parte si riferisce alla raccolta di dati che viene fatta quando un utente arriva su una pagina (principalmente attraverso i cookie, quindi), risponde a un sondaggio via e-mail, o digita qualcosa nella casella di ricerca della pagina. Questa parte deve essere chiarita all'utente dopo l'ultima sentenza del GDPR. 

-Il elaborazione parte è legata all'uso di librerie Python che stanno, in effetti, elaborando i comportamenti degli utenti, creando punti di dati in un ambiente interno di data lake, che effettivamente diventano linee guida per gli strumenti Javascript che stanno rendendo questi dati in contenuti personalizzati. 

-Il costruire è quello che avviene quando il suddetto strumento Javascript ottimizza la pagina. Se, per esempio, le linee guida all'interno di quei punti dati dicono che l'utente x, a cui piacciono le scarpe rosse, sta attualmente navigando nella sezione calzature, l'applicazione basata su JS sposterà tali risultati in alto, aumentando, quindi, il tasso di conversione del sito. Molto semplice, ma molto efficace. 

La personalizzazione viene utilizzata da diversi marchi tra cui Zara, Primark, Boohoo e ASOS. 

5. L'educazione nel suo complesso 

Ci sono decine di startup legate all'istruzione che stanno costruendo strumenti basati sull'apprendimento automatico per migliorare questo settore educativo. Qual è il loro obiettivo? Ecco alcuni esempi di utilizzo del machine learning nell'educazione: 

- Risolvere problemi e ottenere facilmente dati precisi. Immaginate di avere un insegnante che può accedere a problemi complicati in pochi secondi, per poi spiegarli nella forma più semplice dopo che il software li ha rimpiccioliti, a seconda del livello del pubblico. 

- Creazione automatica di compiti ed esami in base all'argomento, il suo livello di difficoltà e altro. Piuttosto salvifico per un insegnante, giusto? Un algoritmo ML per questo potrebbe essere addestrato per mettere fuori un foglio d'esame con il livello di difficoltà richiesto e potrebbe anche avere le soluzioni calcolate automaticamente. 

- Analizzare e prevedere i progressi della classe, analizzando il tasso di successo di esami e saggi, aiuterà gli insegnanti a valutare anche se stessi

Conclusione

Gli esempi di apprendimento automatico nel mondo di oggi sono infiniti. È facile capire perché il futuro del ML è così luminoso, sia dal punto di vista del business che da quello degli utenti. Il futuro è, infatti, automatizzato.

Necessità di consultare un esperto di apprendimento automaticot? Assumi scienziati freelance su Kolabtree. Pubblicare il tuo progetto e iniziare è gratuito. 

Paul Matthews è uno scrittore di Manchester di affari e tecnologia che scrive per
informare meglio gli imprenditori su come gestire un business di successo. Attualmente è
consultando la più grande squadra di sviluppatori di app a Manchester.


Kolabtree aiuta le aziende di tutto il mondo ad assumere esperti su richiesta. I nostri freelance hanno aiutato le aziende a pubblicare documenti di ricerca, sviluppare prodotti, analizzare dati e altro ancora. Ci vuole solo un minuto per dirci cosa hai bisogno di fare e ottenere preventivi da esperti gratuitamente.


Condividi.

L'autore

Ramya Sriram gestisce i contenuti digitali e le comunicazioni di Kolabtree (kolabtree.com), la più grande piattaforma di freelance per scienziati al mondo. Ha oltre un decennio di esperienza nell'editoria, nella pubblicità e nella creazione di contenuti digitali.

Lascia una risposta