هوش مصنوعی پیش‌بینی‌کننده همان چیزی است که کسب‌وکارهای فناوری برای تقویت عملکرد تقریباً هر نوع عملیات موجود در مقیاس بزرگ در سراسر عملکردها به آن روی می‌آورند.
از داده‌ها یاد می‌گیرد تا نتایج و رفتارها را پیش‌بینی کند، مانند اینکه چه کسی کلیک می‌کند، کدام وسیله نقلیه به تعمیر و نگهداری نیاز دارد یا کدام تراکنش تقلبی است. این پیش‌بینی‌ها روزانه میلیون‌ها تصمیم عملیاتی را انجام می‌دهند و تعیین می‌کنند که با چه کسی تماس ب! گیرید، پست کنید، تأیید کنید، آزمایش کنید، تشخیص دهید، هشدار دهید، تحقیق کنید، زندانی کنید، در یک تاریخ تعیین کنید یا داروی خود را درمان کنید.
صدا پیچیده است؟ در واقع، نمرات پیش بینی چنین تصمیماتی را به روشی ساد ! ه هدایت می کند. برای بسیاری از شگفت‌آور ساده می‌کن ابتکارات هوش مصنوعی پیش‌بینی‌کننده – با نام مستعار تجزیه و تحلیل پیش‌بینی‌کننده یا یادگیری ماشینی سازمانی – این موضوع صرفاً موضوع رتبه‌بندی موارد و تعیین موقعیت آستانه تصمیم است .
چگونه هوش مصنوعی پیشگو به سازمان ها کمک می کند اولویت بندی کنند؟
با مدل‌سازی، هوش مصنوعی پیش‌بینی‌کننده می‌تواند افراد دارای موارد مثبت را در بالا و موارد مثب سرب ویژه ت کمتر را در پایین رتبه‌بندی کند. سپس سازمان‌ها می‌توانند تریاژ و اولویت‌بندی کنند، مانند ارتباط با علاقه ! مندترین مشتریان خود، حسابرسی دستی تراکنش‌های مشکوک یا بازرسی ساختمان‌های با خطرات بیشتر.
بیشتر توسط این نویسندهنحوه فروش پروژه یادگیری ماشینی
هوش مصنوعی پیشگو چگونه کار می کند؟
بیایید با یک مثال بازاریابی شروع کنیم.
وقتی کارگاه‌های آموزشی هوش مصنوعی را رهبری می‌کنم، ! همه را وادار می‌کن! م که بایست باش همچنین، پاراگراف ها را خیلی طولانی نکنید ند. هر فرد یک تکه کاغذ به اندازه بزرگترین تلویزیون خانه خود در دست می گیرد و گروه خود را در یک ردیف به ترتیب اندازه تلویزیون می چینند.
افراد به ترتیب اندازه تلویزیونشان (صفر به این معنی است که تلویزیون ندارند). تصویر ارائه شده توسط نویسنده
سپس من یک سوال در رابطه با استفاده از تلویزیون می پرسم، مانند “چه کسی اشتراک نتفلیکس دارد؟”
موارد مثبت بیشتر در قسمت بالایی، سمت چپ، این مجموعه داده انسانی متمرکز است. به عنوان مثا داده های فن ل، اجازه دهید یک آستانه تصمیم پس از 10 مورد برتر ترسیم کنیم – در این مورد، تصمیم گیری در مورد اینکه کدام یک تماس بازاریابی را دریافت می کند.
افرادی که دستشان بالا رفته مشترک نتفلیکس هستند. تصویر ارائه شده توسط نویسنده
در میان این 10، 70 درصد نتفلیکس دارند که 2.2 برابر 32 درصد کل جم ! عیت است ( دانشمندان داده این را افزایش 2.2 می نامند). این به ما می‌گوید که ممکن است برای بازاریابی پولی خود از محصولی که با نتفلیکس مرتبط ! است به آن بخش برتر، یعنی آنهایی که تلویزیون‌های بزرگ‌تر دارند، سود بیشتری ببرید .
اکنون، این تمرین کلاسی از چند جهت بسیار ساده شده است. این یک مجموعه داده کم حجم است ، ب ! نابراین نتایج چندان قابل اعتماد نیستند. و پیش بینی ها بر اساس یک و تنها یک متغیر است: اندازه تلویزیون (این چیزی است که ما آن را مدل تک متغیره می نامیم). به علاوه، آن مقادیری که برای رتبه‌بندی افراد استفاده می‌شوند، در مقیاس‌بندی احتمالات نیستند.
علی‌رغم این اخطارها، جلوه بصری و محاسبات نمونه به خوبی نشان می‌دهد که هوش مصنوعی پیش‌بی ! نی‌کننده چگونه برای بسیاری از کاربردهای آن عمل می‌کند: بسیاری از موارد مثبت در اوایل رتبه‌بندی ظاهر می‌شوند و به تعداد کمی در انتهای فهرست کاهش می‌یابند.