• Technology
  • Equipo electrico
  • otro
  • industria de materiales
  • Política de privacidad
  • Sobre nosotras
  • Contacta con nosotras
Localización: Hogar / Technology / Cómo el aprendizaje profundo puede mejorar la productividad y aumentar los negocios

Cómo el aprendizaje profundo puede mejorar la productividad y aumentar los negocios

serv |
186

When you “work through” a problem or issue that requires a decision, you likely feel as if you’re going through a linear checklist. But that’s not how the human brain operates; it processes in a non-linear pattern. And this is essentially how deep learning, a subset of artificial intelligence (AI), works too. How deep learning can improve productivity and boost business How deep learning can improve productivity and boost business

El aprendizaje profundo funciona como el cerebro humano

El aprendizaje profundo, en su esencia, aprende de ejemplos: la forma en que lo hace el cerebro humano.Está imitando la forma en que los humanos adquieren ciertos tipos de conocimiento..Debido a que el aprendizaje profundo procesa la información de manera similar, se puede usar para hacer cosas que las personas pueden hacer, por ejemplo, aprender a conducir un automóvil o identificar un perro en una imagen.

El aprendizaje profundo también se usa para automatizar análisis predictivos, por ejemplo, identificar tendencias y patrones de compra de clientes para que una empresa pueda obtener más clientes y mantener más de ellos.¿Conoces esas secciones en sitios minoristas que muestran artículos "con frecuencia comprados juntos" cuando compras un nuevo destornillador?Esos se basan en algoritmos predictivos de aprendizaje profundo que han considerado su búsqueda actual y patrones de compra anteriores para sugerir productos adicionales que también puede necesitar.

Otras aplicaciones incluyen numerosos encuentros y actividades cotidianas, como asistentes virtuales, detección de fraude, traducción de idiomas, chatbots y bots de servicio, colorización de imágenes en blanco y negro, reconocimiento facial y diagnósticos de enfermedades.

Un ejemplo simple de la aplicación de una red neuronal está en analizar el discurso.La red toma sonidos del audio sin procesar, que se combinan para hacer sílabas, que se combinan para hacer palabras, que se combinan para hacer frases que impulsan acciones.La máquina se entera de que este sonido en particular significa que debería sacar un saldo de una tarjeta de crédito y cuantas más veces se le pregunte lo mismo, más preciso se vuelve.

El aprendizaje profundo tiene aplicaciones en todas las industrias

Las redes neuronales no son nuevas;Han existido desde la década de 1940.En 1943, dos científicos informáticos introdujeron modelos de redes neurológicas, interruptores de umbral recreados basados en neuronas y mostraron que incluso las redes simples de este tipo pueden calcular casi cualquier lógica o función aritmética.

How deep learning can improve productivity and boost business

Los primeros precursores informáticos fueron desarrollados por un científico informático que estaba cansado de calcular las trayectorias balísticas a mano.Hoy, más de 70 años después, el aprendizaje profundo ha explotado en sofisticación y uso, principalmente debido a la potencia informática ampliada (junto con costos muy reducidos por unidad de potencia), mejor modelado y la disponibilidad de datos.El aprendizaje profundo requiere grandes cantidades de datos.Actualmente, se estima que los datos que generamos todos los días son 2.6 quintillones de bytes.Y puede analizar conjuntos de datos masivos mucho más rápido que un humano.Las máquinas no sufren de monotonía y fatiga.

¿Hay riesgos con el aprendizaje profundo?

Respondamos esa pregunta usando el ejemplo de vehículos autónomos..El aprendizaje profundo nos ha dado estos autos autónomos, pero parece poco probable que eliminen todos los accidentes de tráfico, algo que sería similar a una utopía autónoma.De hecho, un estudio reciente del Instituto de Seguros para la Seguridad de las Carreteras (IIHS) dice que los vehículos autónomos pueden evitar solo un tercio de todos los accidentes..Aún así, eso es más exitoso que la gente.

Sin embargo, las preocupaciones sobre la adopción generalizada también pueden incluir un aumento en las tasas de accidentes en los primeros días del despliegue a medida que la tecnología aprende, las decisiones morales se dejan a los fabricantes y dificultad para atribuir la responsabilidad de los accidentes.Y luego está la piratería, porque, después de todo, el aprendizaje profundo es simplemente tecnología encerrada en un vehículo.En marzo de 2019, dos hackers de "sombrero blanco" (los buenos) necesitaban solo unos minutos para pasar por el navegador del sistema de información y entretenimiento para entrar en la computadora de un Tesla, ejecutar su propio código y hacer que el automóvil responda a sus comandos.

¿Has leído?

También debemos considerar el uso del aprendizaje profundo desde el punto de vista del consumidor..Si no "funciona", por ejemplo, un teléfono no se desbloquea, puede crear un cliente infeliz o frustrado, lo que derrota el propósito.Compuesto el problema, debido a la complejidad de las redes neuronales en el aprendizaje profundo, puede ser difícil saber dónde o por qué el sistema salió mal.A menudo descrita como la caja negra del aprendizaje profundo, los científicos de datos están trabajando para mejorar la visibilidad y la transparencia en torno a cómo funcionan los modelos de aprendizaje profundo.

Los modelos también pueden tener un sesgo involuntariamente incorporado, y estos modelos de aprendizaje profundo se están utilizando para decisiones significativas, incluidos quién obtiene préstamos, trabajos o libertad condicional..El aprendizaje profundo debe tener barandillas claras con estructuras de gobierno apropiadas.

El aprendizaje profundo es el futuro de los negocios

El aprendizaje profundo nos ha dado búsquedas de productos basadas en imágenes (Pinterest, por ejemplo, y formas eficientes de clasificar las frutas y verduras para reducir los costos de mano de obra.El primero es más una conveniencia del consumidor, mientras que el segundo es un verdadero caso comercial para la productividad.

Se están poniendo recursos significativos en el aprendizaje profundo en los servicios financieros, en los que se utiliza para detectar fraude, reducir el riesgo, automatizar el comercio y proporcionar "robo-advicio" a los inversores.Según un informe de la Unidad de Inteligencia Economista (EIU), el 86% de las empresas de servicios financieros planean aumentar sus inversiones relacionadas con la IA para 2025.

AI, machine learning, technology

How is the Forum helping governments to responsibly adopt AI technology?

El Centro del Foro Económico Mundial para la Cuarta Revolución Industrial, en asociación con el gobierno del Reino Unido, ha desarrollado pautas para la adquisición gubernamental más ética y eficiente de la tecnología de inteligencia artificial (IA).Los gobiernos de Europa, América Latina y Medio Oriente están probando estas pautas para mejorar sus procesos de adquisición de IA.

Nuestras pautas no solo sirven como una herramienta de referencia útil para los gobiernos que buscan adoptar tecnología de IA, sino que también establecen estándares de referencia para la contratación pública efectiva y responsable de la IA, estándares que eventualmente pueden adoptar las industrias..

Invitamos a organizaciones interesadas en el futuro de la IA y el aprendizaje automático para involucrarse en esta iniciativa.Lea más sobre nuestro impacto.

La integración de la IA en su negocio tiene el poder de mejorar la diferenciación y la competitividad, aumentar la productividad, influir en la retención e incluso cambiar el curso de la enfermedad, y está sucediendo en todas las industrias y dentro de todos los aspectos de las empresas de las empresas.

Está influyendo en todo, desde la recreación de los negocios y los modelos operativos, hasta las estrategias de contratación y retención, hasta la creación de nuevas culturas corporativas que no solo adoptan sino que permiten el uso de aprendizaje profundo.Sin embargo, según algunas estimaciones, se están utilizando menos del 1% de los datos de la mayoría de las organizaciones, a pesar de que hay grandes cantidades de datos disponibles para usar para la toma de decisiones transformadoras. ¿Cuándo comenzarás a tocar, y usar, el tuyo?