Перевод поста Филиппа Ходжетта, выступавшего недавно на конференции Hollywood Professional Association Tech Retreat. Надеюсь, собранный в одном месте список актуальных сервисов, готовых к интеграции в ваши проекты, и примеров работающего бизнеса на основе машинного обучения будет полезен разработчикам. Предлагаю делиться вашими собственными результатами успешного внедрения проектов, связанных с глубинным обучением.

Пытаясь определить для себя, как мы могли бы использовать машинное обучение в нашем софтовом бизнесе, я составил этот список. Я был слегка шокирован разнообразием способов использования М.О. По сообщению TechCrunch, уже вложено более 10 миллиардов долларов в 1500 стартапов, связанных с М.О. и искусственным интеллектом. В 2017 году прогнозируется увеличение этой суммы в четыре раза! Захотелось поделиться с вами этим списком...

Сервисы познания IBM Watson

• Распознавание речи
• Синтез речи
• Обработка естественного языка (настроение, ключевые слова, именованные сущности, высокоуровневые концепции)
• Классификация естественного языка (понимает смысл текста и возвращает соответствующую классификацию)
• Чат-боты
• Диалог (сценарии разветвленного общения между пользователем и приложением)
• Машинный перевод
• Суждения о личности на основе того, как человек пишет (для поиска подходящих ему людей, товаров, возможностей и для настройки пользовательского интерфейса)
• Поиск и ранжирование наиболее полезной информации из коллекции документов
• Анализ тональности (использование лингвистического анализа для определения эмоций, общественных тенденций, стиля, эмоционального контекста бесед/общения)
• Распознавание визуальных образов (понимание содержимого изображения для тэгирования, поиска лиц, определения пола и возрастной группы, поиска похожих изображений в коллекции; обучаемая система для настройки в специфических приложениях; TheTake запустилв сайт для покупок товаров, замеченных пользователями в фильмах).

Аналогичные сервисы есть у Google и Microsoft Cortana.

Медицина

Предсказание времени ожидания в приёмном покое скорой помощи

М.О. используется в здравоохранении для предсказания времени ожидания для пациента в приёмном покое скорой помощи. Для предсказания используются такие факторы, как уровень укомплектованности персоналом, данные о пациенте, графики отделений скорой помощи и даже планы помещений.

Предсказание психопатии

The Online Privacy Foundation спонсировал соревнование по детектированию психопатии по твитам, и результаты обнадеживают.

Обнаружение сердечных приступов

Исследователи из IBM научились извлекать критерии диагностики сердечных приступов из текста медицинских записей.

Вызов помощи при инсульте и эпилептических припадках

Сингапурский стартап запустил приложение, способное отправлять тревожное сообщение при встряхивании телефона. Используется алгоритм М.О. для того, чтобы отличить действительный жест вызова медпомощи от обычных передвижений телефона.

Диагностика рака

Алгоритм глубинного обучения Google применили для диагностики рака, и результаты оказались поразительными (клиническая точность 48%, скоринг Google 89%).

Предсказание повторных обращений пациентов в больницу

Указывает на пациентов с высоким риском повторного обращения в больницу.

Диагностика рака кожи

Исследователи из Стэнфорда обучили нейронную сеть обнаруживать рак кожи по фотографиям.

Обработка текста

Машинный перевод

Задачи автоматического машинного перевода актуальны уже с очень давних пор, но глубинное обучение показало себя наиболее эффективным в следующих областях:

• Автоматический перевод текстов
• Автоматический перевод изображений
• Как Google вместил глубинное обучение в телефон

Порождение рукописного текста

Задача генерации рукописного текста для произвольной фразы при условии обучения на большом наборе образцов рукописей.

• Интерактивное демо

Порождение текста

Интересная задача генерирования текста на основе анализа большого корпуса текстов. Известны методы порождения текста слово-за-словом и побуквенная генерация. Модели обучаются грамматике, пунктуации, формированию предложений и даже имитируют стилистику текстов корпуса.

• Необъяснимая эффективность реккурентных нейронных сетей
• Автоматическая генерация SEM-текстов реккурентными нейронными сетями.

Классификация

Классификация текстов или тематическое моделирование позволяют тысячам новостных заметок автоматически группироваться в новостных агрегаторах. Применяется также для группировки ключевых слов в рамках заданной таксономии.

Бизнес и право

Оптимизация налогообложения

H&R Block натренировал машину IBM Watson на поиск оптимальных налоговых вычетов.

Вычисление страховых выплат

Технология будет способна прочитывать десятки тысяч историй болезней и вычленять длительность стационарного лечения, медицинские назначения и процедуры до начисления страховых выплат.

Предсказание успеха при выходе на рынок

Dunnhumby пытаются предсказать, будет ли вывод товара на рынок успешным.

Предсказание биржевой цены

Benchmark Solutions пытается предсказывать стоимость американских корпоративных облигаций.

Понимание юридических текстов

Legal Robot переводит юридический текст на простой человеческий, и пытаются определить, какие положения отсутствуют в контракте, нет ли там лишних положений, таких как отказ от роялти или соглашения о неразглашении.

Другие статьи NechCrunch об искусственном интеллекте в юриспруденции...

Предотвращение отмывания денег

PayPal использует глубинное обучение для предотвращения мошенничества и отмывания денег на всех уровнях детализации. Компания способна с высокой точностью обнаруживать недобросовестных покупателей и продавцов.

Обнаружение аномалий

Машинное обучение используется для обнаружения разнообразных транзаций, не отвечающих сложившейся деловой практике, в огромном потоке данных. Например, обнаружение инсайдерской торговли на рынке акций.

Улучшение клиентского сервиса

Машинное обучение способно улучшить качество обслуживания клиентов за счет понимания точных потребностей и проблем клиента. Поставщик решений в области предсказательной аналитики Lumidatum сообщает, что может легко отличить клиента, начинающего использовать ваш товар, от опытного пользователя, а также распознать проблемы и начать про-активное реагирование по мере их возникновения.

Обработка изображений

Автоматическая озвучка немых фильмов

Система на базе глубинного обучения синтезирует звук, соответствующий видеоряду.

Порождение текстовых описаний

Задача автоматического описания заданного изображения текстом отмечена взрывным ростом публикаций с 2014 года. Сейчас, если ваша страница на Facebook загружается медленно, вы видите автоматически сгенерированное описание фотографий.

• Картинка стоит тысячи слов: построение естественного описания изображений
• Быстрый прогресс в автоматическом описании изображений.
• Youtube сообщает о том, что автоматически описано более одного миллиарда видео, на 10 языках.

Колоризация черно-белых изображений

Глубинное обучение используется для раскрашивания предметов с учетом окружающего контекста, аналогично тому, как работают художники-колористы.

• Автоматическая колоризация
• Автоматическая колоризация черно-белых изображений.

Преобразование рисунков в фотографии

• Сверточная инверсия рисунков.
• Neural Doodle.

Поиск изображений по контенту

Платформа компьютерного зрения Facebook Lumos используется для организации поиска изображений по контенту. Это означает, что пользователи могут находить изображения не только по тэгам и текстовым подписям, а по описанию объектов на изображениях.

Другие варианты применения машинного обучения

Написание музыки

Jukedeck — одна из многочисленных компаний, занимающихся написанием музыки с помощью искусственного интеллекта. Они обучают нейронные сети путем выполнения заданий, примерно так же, как обучается ребенок.

Контроль доступа персонала

Амазон спонсировал конкурс, призванный решить вопрос о возможности автоматизации присвоения и отмены прав доступа для персонала.

Тотальное видеонаблюдение

Операторы систем видеонаблюдения могут пропустить опасные предметы, но от машинного обучения не скрыться! Машинное обучение способно гибко настраиваться на сезонные изменения в багаже и его содержимом, а также на особые требования контролируемых помещений. Компания www.qylur.com нацелена на сокращения числа ложных срабатываний.

Борьба со спамом и вредоносным ПО

По сообщениям Лаборатории Касперского, в 2014 г. они детектировали свыше 325 тысяч новых вредоносных файлов каждый день. Только машинное обучение позволяет справиться с такими объемами, особенно с учетом того факта, что большинство новых заражений отличаются от старых на 2%.