Strojové učenie vo firemných procesoch
Na triedenie dokladov potrebujete príklady správne zaradených dokumentov vrátane sporných prípadov. Vyčleníme vzorku na overenie, porovnáme model s dnešným postupom a nastavíme hranicu, pri ktorej sa rozhodnutie odovzdá pracovníkovi.
Strojové učenie: podrobnejšie
-
Azure Cognitive Services
Označenie Azure Cognitive Services sa používalo pre sadu spravovaných rozhraní AI.
Otvoriť -
Azure Machine Learning
Azure Machine Learning organizuje úlohy, výpočtové prostredia, modely a nasadenia.
Otvoriť -
Microsoft Bot Framework
Bot Framework slúžil na tvorbu konverzačných aplikácií a napojenie komunikačných kanálov.
Otvoriť -
Amazon SageMaker AI
SageMaker AI poskytuje služby pre tréning a nasadenie modelov v AWS.
Otvoriť -
Amazon Transcribe
Transcribe premieňa reč na text dávkovo alebo priebežne podľa konfigurácie služby.
Otvoriť -
Amazon Lex
Lex modeluje konverzáciu pomocou zámerov, povinných hodnôt a krokov naplnenia požiadavky.
Otvoriť -
Amazon Polly
Polly syntetizuje reč z textu a podľa hlasu a režimu podporuje aj riadenie výslovnosti.
Otvoriť -
Google Cloud AI Platform
AI Platform je staršie označenie cloudových služieb Google pre strojové učenie.
Otvoriť -
Apache Mahout
Mahout je projekt zameraný na matematické výpočty a škálovateľné metódy strojového učenia.
Otvoriť -
Apache MXNet
MXNet spracúval neurónové siete pomocou tensorových operácií a výpočtových grafov.
Otvoriť -
Caffe
Caffe opisuje architektúru siete pomocou vrstiev a oddeľuje jej definíciu od naučených váh.
Otvoriť -
TensorFlow
TensorFlow poskytuje operácie s tenzormi, automatické derivovanie a mechanizmy uloženia modelu.
Otvoriť -
Keras
Keras ponúka vysokú úroveň pre modelovanie vrstiev a tréning neurónových sietí.
Otvoriť -
Torch
Torch je pôvodný vedecký výpočtový rámec založený na jazyku Lua.
Otvoriť -
OpenCV
OpenCV obsahuje algoritmy na spracovanie obrazu a videa vrátane kalibrácie, transformácií a detekcie príznakov.
Otvoriť -
Apache Spark MLlib
MLlib poskytuje nad Sparkom strojové učenie a dátové pipeline.
Otvoriť -
Theano
Theano opisuje matematické výrazy symbolicky a kompiluje z nich výpočty aj derivácie.
Otvoriť -
scikit-learn
scikit-learn poskytuje jednotné rozhranie estimátorov pre predspracovanie, klasifikáciu, regresiu aj vyhodnotenie.
Otvoriť -
Gensim
Gensim spracúva textové korpusy a modely tém či vektorových reprezentácií slov.
Otvoriť -
spaCy
spaCy skladá jazykové spracovanie z komponentov pre tokenizáciu, entity a ďalšie úlohy.
Otvoriť -
Scala
Scala spája typové modelovanie s objektovým a funkcionálnym štýlom a často spolupracuje s knižnicami pre JVM.
Otvoriť -
Java
Java prevádza program do bytecode pre JVM.
Otvoriť -
C++
C++ umožňuje presnú správu životnosti objektov a zdrojov.
Otvoriť -
R
R slúži na štatistické výpočty a analýzu.
Otvoriť -
Predpovede dopytu
Predpovedanie dopytu odhaduje budúcu potrebu z dostupnej histórie.
Otvoriť -
Detekcia odchýlok
Detekcia odchýlok vyhľadáva neobvyklé pozorovania voči zvolenému normálu.
Otvoriť
Kde sa používa
Triedenie
Zaradenie dokladu, správy alebo požiadavky do kategórie.
Odhad
Predpoveď hodnoty z podobných prípadov.
Obraz
Rozpoznanie chýb alebo predmetov na fotke.
Ako postupujeme
Strojové učenie využíva príklady na odhad výsledku pri ďalšom zázname. Pri triedení pošty zmeriame aj chyby v málo zastúpenej kategórii. Celková úspešnosť môže vyzerať dobre, aj keď systém opakovane prehliada reklamácie. Vlastník procesu určí, ktoré prípady pôjdu vždy na ručnú kontrolu.
Ako overiť model na triedenie dokladov
- 1
Príklady
Zoberieme doklady, ktoré už vaši ľudia zaradili do kategórií.
- 2
Učenie a test
Model sa učí na časti z nich a zvyšok slúži na overenie presnosti.
- 3
Hranica istoty
Pri neistých prípadoch model zaradenie len navrhne a rozhodne človek.
- 4
Sledovanie
Opravy ukladáme na vyhodnotenie. Pred výmenou modelu znova porovnáme novú verziu na rovnakej skúšobnej vzorke.
Ako merať model, ktorý označuje prípady na preverenie
Pri triedení faktúr na kontrolu je kapacita pracovníka obmedzená. Pravidlo, ktoré zachytí väčšinu nezrovnalostí, môže súčasne označiť toľko správnych faktúr, že kontrolór skutočný problém prehliadne. Pri výbere prahu porovnávajte počet zachytených skutočných odchýlok, počet planých podnetov a pracovný čas potrebný na jednu kontrolu.
Testovací súbor oddeľte od tréningového podľa času alebo zdroja podľa zamýšľaného použitia. Pri nových dodávateľoch sledujte zmeny chybovosti oddelene. K rozhodnutiu pracovníka ukladajte verziu modelu aj vstupných pravidiel, aby bolo možné spätne porovnať výsledky po zmene.
Ako kontrolovať pokles kvality po zmene prevádzky
Predstavte si presun výhradného dodávateľa na nový formát faktúr. Rozdelenie vstupov sa zmení zo dňa na deň, hoci sa model neaktualizoval. Sledujte preto počet prípadov, ktoré pracovníci vrátia, pri konkrétnych dodávateľoch a typoch dokladov. Porovnajte ho s náhodnou kontrolou aj medzi automaticky prijatými položkami. Ak sa skúmajú len reklamované prípady, firma nevie odhadnúť chyby, ktoré ešte nikto nerozpoznal.
Pri návrate k staršej verzii modelu označte, ktoré rozpracované položky má zmysel posúdiť znova. Už schválené doklady treba meniť iba v rámci dohodnutého opravného procesu.
Hranica pre odovzdanie sporného prípadu človeku
Pri triedení správ môže nesprávne priradená reklamácia predĺžiť vybavenie, kým presmerovanie obyčajnej informačnej otázky na pracovníka znamená iba malé množstvo práce navyše. Pri nastavení hranice istoty sa preto ráta aj s dôsledkami oboch druhov omylu.
Na vzorke si pozrite konkrétne prípady tesne nad hranicou a tesne pod ňou. Firma môže pre citlivú kategóriu zvoliť osobitnú kontrolu a pri nasadení sledovať, koľko správ tím reálne zvládne preveriť.
Otázky z praxe
Ako zvoliť hranicu, pri ktorej má prípad preveriť človek?
Spočítajte, koľko kontrol tím zvládne a čo stojí prehliadnutie dôležitého prípadu. Pri označovaní neobvyklých faktúr porovnajte viac hraníc na rovnakom súbore. Rozhodnutie sa má opierať o konkrétne správne a mylné upozornenia, ktoré človek vie skontrolovať.
Čo môže spôsobiť zhoršenie výsledku aj bez zmeny modelu?
Firma môže zmeniť formulár, dodávateľa údajov alebo spôsob, akým ľudia označujú výsledok. Porovnajte nové prípady so vzorkou, na ktorej sa model pôvodne hodnotil. Sledujte chyby po skupinách, aby sa zhoršenie jednej pobočky nestratilo v celkovom priemere.
Kedy zaradiť jednoduché pravidlo popri modeli?
Keď je rozhodnutie pevne dané obchodným pravidlom. Doklad bez meny môže rovno ísť na doplnenie, zatiaľ čo model pomôže zoradiť nejednoznačné prípady. Pri vyhodnotení potom treba rozlíšiť výsledky automatického pravidla, modelového odhadu a konečného rozhodnutia človeka.
Súvisiace stránky
-
Riešenia s umelou inteligenciou
Vyvíjame AI funkcie pre firemný softvér. Model pripraví návrh zo správy alebo dokladu, pracovník skontroluje zdroj a potvrdí zápis do systému.
Otvoriť -
Analýza obrazu
Čítanie štítkov, textu a výrobných čísel zo snímok. Na vzorke z prevádzky zmeriame nesprávne prečítané údaje a určíme, kedy treba nový záber.
Otvoriť -
Dátová veda
Odhad dopytu a oneskorených platieb z firemných údajov. Model overíme na minulých obdobiach a porovnáme s postupom, podľa ktorého sa rozhodujete dnes.
Otvoriť