۵ نمونه از بکارگیری یادگیری ماشین برای بررسی قدرت تکنولوژی

امروزه یادگیری ماشین به عنوان یک دانش بسیار مهم مورد توجه قرار می گیرد و بسیاری از شرکت ها در حال عملی کردن آن هستند. همچنین یادگیری ماشین ، به عنوان بخشی از کسب و کار به نقش مهمی در حوزه های علوم کامپیوتری مانند بازیابی اطلاعات، ثبات پایگاه داده و شناسایی هرزنامه دست یافته است.

صبر کنید! پیش از آن که ادامه دهید ، ابتدا باید موارد استفاده از یادگیری ماشین را باز بینی کنید.

در ادامه به بررسی چند مثال از دنیای واقعی در مورد کاربرد های یادگیری ماشین برای حل مسائل واقعی می پردازیم.

مطالعه موردی یادگیری ماشین

کاربرد های واقعی یادگیری ماشین

در اینجا پنج مطالعه موردی یادگیری ماشین توضیح داده شده است :

۱- یادگیری ماشین در Dell

Dell ، شرکت پیشرو چند ملیتی فناوری ، بهترین نرم افزارها و سخت افزارها را در اختیار مردم و جوامع سراسر دنیا قرار می دهد. از آنجا که داده ها ، بخش اصلی هارد دیسک Dell هستند ، تیم بازاریابی آن ها به یک راه حل مبتنی بر داده نیاز داشت که سرعت پاسخ را افزایش داده و نشان دهد چرا برخی کلمات و عبارات ، عملکرد بهتری نسبت به سایرین دارند.

Dell با همکاری Persado ، فناوری برتر دنیا در زمینه هوش مصنوعی و یادگیری ماشین ، بازاریابی خلاقانه ای را ایجاد می کند تا از قدرت کلمات در ایمیل خود بهره برداری کند و تجزیه و تحلیل داده محور را برای هر یک از مخاطبان اصلی خود به دست آورد.

Dell در نتیجه این مشارکت ، متوجه افزایش متوسط ۵۰ درصدی نرخ کلیک ​​( CTR ) و افزایش متوسط ۴۶ درصدی ​​پاسخ مشتریان شد. همچنین باعث افزایش متوسط ​​۲۲ درصدی بازدید از صفحه و افزایش ۷۷ درصدی در افزودن به سبد خرید شده است.

Dell که از موفقیت و دستاورد های خود از طریق ایمیل شگفت زده بود ، مشتاق بود که کل پلتفرم بازاریابی خود را با Persado ارتقا دهد. Dell اکنون از یادگیری ماشین برای بهبود بازاریابی و طول عمر ایمیل های تبلیغاتی ، تبلیغات فیس بوک ، آگهی های تبلیغاتی ، نامه های مستقیم و حتی محتوای رادیویی استفاده می کند.

۲- یادگیری ماشین در Sky

شرکت انگلیسی Sky با کمک یادگیری ماشین و هوش مصنوعی از طریق Adobe Sensei تجارب مشتری را متحول می کند.

” ما ۲۲٫۵ میلیون مشتری بسیار متنوع داریم. تلاش برای تقسیم افراد بر اساس ژانر تلویزیونی مورد علاقه شان می تواند بخش های بسیار گسترده ای ایجاد کند. ”  

رئیس تصمیم گیری و تجزیه و تحلیل دیجیتال Sky

دستاورد ها :

  • ایجاد بخش های فوق متمرکز ، برای جذب مشتری
  • استفاده از یادگیری ماشین ، برای ارائه هوش عملی
  • بهبود بخشیدن روابط با مشتریان
  • بکارگیری هوش مصنوعی بر روی کانال ها ، برای درک آنچه برای مشتریان حائز اهمیت است

این شرکت توانسته حجم زیادی از اطلاعات مشتری خود را با کمک چارچوب های یادگیری ماشین بدست آورد و به هر مشتری ، محصولات و خدماتی که بیشترین بازخورد مثبت را داشتند را پیشنهاد دهد.

 

” مردم تصور می کنند یادگیری ماشین ابزاری برای ارائه تجربیات کاملاً تعریف شده و رباتیک است ، اما در حقیقت برعکس است. با استفاده از Adobe Sensei ، ما در صدد پیوند هوش مشتری و تجربیات شخصی ارزشمند و مناسب هستیم. “

McLaughlin

۳- یادگیری ماشین در Trendyol

Trendyol  که یک شرکت پیشرو در تجارت الکترونیک مستقر در ترکیه است ، با تهدید رقبای جهانی مانند Adidas و ASOS ، به ویژه برای لباس های ورزشی مواجه شد. Trendyol برای کمک به جلب اعتماد مشتری و ارتقا سیستم ایمیل خود ، با فروشنده Liveclicker که متخصص شخصی سازی بصورت بلادرنگ است همکاری کرد.

Trendyol  از یادگیری ماشین و هوش مصنوعی برای ایجاد چندین کمپین بازاریابی شخصی کاملاً استفاده کرده است. همچنین به تشخیص اینکه کدام پیام ها برای مشتریان خوشایند تر بوده اند، کمک کرد. همچنین در جهت شخصی سازی ، نامی را که مشتری پیشنهاد می کند ، پشت پیراهن فوتبال چاپ می کند.

با استفاده خلاقانه از شخصی سازی یک به یک ، نرخ خرده فروشی ، نرخ کلیک ، بازاریابی و فروش به بالاترین حد خود رسید. این کار موجب افزایش ۳۰ درصدی  نرخ کلیک ، ۶۲ درصد رشد سرعت پاسخ و ۱۳۰ درصد افزایش قابل توجه در نرخ بازاریابی برای Trendyol شده است.

این شرکت همچنین از فعالیت های بازاریابی قوی مانند استفاده از شبکه های اجتماعی ، نرم افزار های تلفن همراه ، وبلاگ ها ، تأییدیه افراد مشهور و غیره برای جلب مشتری خود استفاده کرده است.

۴- یادگیری ماشین در Harley Davidson

در حال حاضر، عبور از بازاریابی سنتی دشوار است. برای مشاغلی مانند فروش موتور سیکلت های Harley Davidson  در شهر نیویورک ، آلبرت ( یک ربات مجهز به هوش مصنوعی ) می تواند جذابیت زیادی داشته باشد. با استفاده از یادگیری ماشین و هوش مصنوعی ، ربات ها مشغول نوشتن داستان های خبری ، کار در هتل ها ، مدیریت ترافیک و حتی اداره مک دونالد هستند.

آلبرت می تواند در کانال های مختلف بازاریابی از جمله رسانه های اجتماعی و مدیریت ایمیل ، بکار گرفته شود. این نرم افزار پیش بینی می کند که چه زمانی تغییر کاربری دهد و  نسخه های شخصی خلاقانه را به تنهایی تنظیم کند.

Harley Davidson  تنها برندی است که از آلبرت استفاده می کند. این شرکت داده های مشتری را مورد تجزیه و تحلیل قرار داد تا از روی رفتار مشتریان قبلی از جمله اقدامات آن ها و صرف متوسط بیشرین زمان ​​مرور وب سایت ، فروش خود را بهبود ببخشد. با این اطلاعات ، آلبرت بخش هایی از انواع مشتریان را ایجاد کرده و بر این اساس میزان تبلیغاتش را افزایش داد.

نتایج نشان می دهد که Harley Davidson با استفاده از آلبرت فروش خود را تا ۴۰ درصد افزایش داده است. همچنین ۲،۹۳۰  درصد رشد سرنخ های بازایابی داشته است و ۵۰ درصد از مشتریان وفادار را توسط هوش مصنوعی و یادگیری ماشین شناسایی کرده است.

۵- یادگیری ماشین در Yelp

شاید در نگاه اول ، Yelp به عنوان شرکت تولید کننده اپلیکیشن بررسی رستوران ها، یک شرکت فناوری به نظر نرسد ، اما برای بهبود تجربه کاربران از یادگیری ماشین بهره می برد.

الگوریتم های یادگیری ماشین Yelp به کارکنان این شرکت کمک می کنند تا تصاویر را به طور موثرتری جمع آوری ، دسته بندی و برچسب گذاری کنند. از آنجا که تصاویر تقریباً به اندازه مرور کاربران برای Yelp حیاتی است ، همیشه سعی در بهبود نحوه پردازش تصویر دارد. این شرکت از این طریق اکنون به میلیون ها کاربر خود خدمات ارائه می دهد.

امروزه ، افراد زیادی هستند که از میز غذایشان عکس می گیرند به این دلیل است که Yelp چنین پایگاه ‌داده ی عظیمی از تصاویر را در اختیار دارد. نرم افزار این شرکت از روش هایی برای تجزیه و تحلیل تصویر برای تشخیص رنگ ، بافت و شکل استفاده می کند. این بدان معناست که این نرم افزار می تواند کلوچه ، پیتزا و یا یک رستوران با صندلی در فضای باز را تشخیص دهد.

در نتیجه ، این شرکت اکنون قادر است ویژگی هایی مانند “مناسب کودکان” و “پیشنهاد درجه یک” را با دقت بیش از ۸۰ درصد پیش بینی کند. همچنین در نظر دارد در آینده از این اطلاعات برای زیرنویس خودکار تصاویر و بهبود پیشنهادات جستجو استفاده کند.

همه این موارد، نمونه هایی از بکارگیری یادگیری ماشین بود.

خلاصه

تصور این مطالعات موردی از یادگیری ماشین که در بالا ذکر شد ، در یک دهه پیش تقریباً غیرممکن بود ، با این وجود سرعت پیشرفت دانشمندان و محققان شگفت انگیز است. در آینده نزدیک ، خواهیم دید که یادگیری ماشین می تواند با کمترین دخالت انسان ، ساختار داخلی خود را بشناسد و در جهت بهبود شرایط تغییر دهد.

بیشتر بخوانید :

منبع Data Flair

درباره‌ی امیر اقتدائی

همچنین ببینید

آموزش PyTorch کلاسه بندی تصویر با مدل های از پیش آموزش دیده

آموزش PyTorch برای مبتدیان – کلاسه بندی تصویر با مدل های از قبل آموزش دیده

سلام! این مطلب دومین قسمت از مجموعه PyTorch است. در مقاله قبلی درباره PyTorch ، …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *