Įdomiausios AI įgyvendinimo galimybės įmonėse 2024 m. | AI versle #63

Šiame straipsnyje mes atidžiau pažvelgsime į keletą įdomių dirbtinio intelekto (DI) taikymų versle. Nuo „Stripe“ naudojamo mašininio mokymosi sukčiavimui aptikti, iki „Swiggy“ personalizuotų užsakymų patirčių, iki „GitHub Copilot“, teikiančio realaus laiko palaikymą programuotojams. Šie pavyzdžiai parodo, kaip dirbtinis intelektas skatina novatoriškų paslaugų kūrimą, transformuoja klientų patirtis, didina konversijos rodiklius ir optimizuoja vidinius procesus verslui ir institucijoms. Skaitykite toliau.

DI taikymai „Stripe“

„Stripe“ (https://stripe.com/) yra pažangi mokėjimų platforma, leidžianti verslams ir institucijoms apdoroti sandorius tiek internetu, tiek tradicinėse mažmeninės prekybos vietose. Ji siūlo integruotas sprendimus mokėjimų valdymui, sąskaitų faktūrų išrašymui, finansinių procesų automatizavimui ir prenumeratos bei lojalumo programų kūrimui. Modernių technologijų, įskaitant mašininį mokymąsi, taikymas leidžia „Stripe“ optimizuoti konversijas ir sumažinti sukčiavimo riziką. 2023 m. „Stripe“ pripažinta viena iš novatoriškiausių sprendimų internetinių mokėjimų sistemų srityje.

Tačiau kodėl „Stripe Radar“ yra vienas įdomiausių DI taikymų įmonėse 2023 m.? „Stripe Radar“ naudoja pažangias DI technikas greitam ir tiksliai sukčiavimo aptikimui, todėl tai yra viena novatoriškiausių sprendimų internetinių mokėjimų pramonėje šiais metais. Pagrindiniai privalumai yra:

• Greitis ir tikslumas. „Radar Stripe“ įvertina daugiau nei 1000 sandorių detalių per mažiau nei 100 milisekundžių, tiksliai blokuodama rizikingus sandorius. Ji pasiekia tikslumą, kai tik 0,1% galiojančių mokėjimų klaidingai atmetama.
• Pažangūs ML modeliai. „Stripe“ perėjo nuo pagrindinio mašininio mokymosi prie pažangių neuroninių tinklų, žymiai pagerindama modelio našumą.
• Novatoriška architektūra. Naujausia architektūra leido greičiau apmokyti modelius ir geriau skalę, leidžiančią greičiau prototipuoti ir įgyvendinti naujas idėjas.

Šaltinis: „Stripe“ (https://stripe.com/)

„Complete the Look“, arba DI taikymas iš „Walmart“

„Walmart“, amerikiečių supermarketų milžinas, siūlo įvairių produktų, įskaitant maisto produktus, drabužius, kosmetiką, elektroniką ir kt. Kaip vienas iš pirmaujančių mažmenininkų pasaulyje, „Walmart“ visame pasaulyje dirba daugiau nei 2,3 milijono žmonių. Tačiau pastaruoju metu ji taip pat plečia savo buvimą dirbtinio intelekto srityje.

Naujausiai pristatytas „Walmart“ „Complete the Look“ (CTL) modulis yra novatoriška produktų rekomendacijų sistema mados ir namų dekoro kategorijoje. Bet kodėl CTL laikomas vienu įdomiausių DI taikymų 2023 m.?

• Stiliaus personalizavimas. CTL generuoja išsamias, stilizuotas aprangas aplink klientų pasirinktas prekes, palengvindama tinkamų drabužių atradimą ir pasirinkimą.
• Padidėjusi pasitikėjimo ir konversijos. Personalizuotų aprangų pateikimas didina klientų pasitikėjimą savo pasirinkimais ir skatina juos pirkti.
• Laiko taupymas. Sistema leidžia greitai sudaryti visą aprangą, o ne ieškoti atskirų daiktų, todėl apsipirkimas tampa efektyvesnis.
• Pažangūs algoritmai. CTL naudoja įvairius algoritmus, įskaitant išvaizdos generavimą ir aprėpties plėtrą, kad pritaikytų ir pritaikytų rekomendacijas vartotojams.

Ši inovacija sprendžia informacijos perkrovos ir pasirinkimo problemą tarp didelio skaičiaus galimų variantų, siūlydama klientams lengvą ir malonią apsipirkimo patirtį, kuri yra tiek įkvepianti, tiek stilingai nuosekli.

Šaltinis: Medium (https://medium.com/walmartglobaltech/personalized-complete-the-look-model-ea093aba0b73)

„Uber“ — ETR prognozavimas

„Uber“ yra mobili programa automobilių užsakymui, tačiau jos DI inovacijos nesibaigia transportu. Pavyzdžiui, oro uostų automobilių stovėjimo aikštelės. Įdiegus ETR prognozavimą (numatomas laikas iki užklausos), „Uber“ pristatė pažangią sistemą, prognozuojančią laukimo laikus vairuotojams oro uostuose. Naudodama sudėtingus DI modelius, ji numato paklausą ir eilių ilgį, atsižvelgdama į eilių svyravimus ir išorinius veiksnius, tokius kaip skrydžių vėlavimai. Ši sistema teikia vairuotojams informaciją apie numatomus laukimo laikus, padėdama jiems efektyviau valdyti savo laiką ir geriau planuoti savo vietas.

Kodėl ši novatoriška sprendimas yra vertas dėmesio? Pagrindinės priežastys:

• Sprendžiama problema. „Uber“ ETR prognozavimas sprendžia per mažo ar per didelio vairuotojų skaičiaus oro uostuose iššūkį, turintį įtakos tiek keleiviams, tiek vairuotojams. Trūkumai reiškia, kad keleiviai laukia ilgiau, o perteklius švaisto vairuotojų laiką, kol jie laukia.
• Inovacija. Prognozavimo sistema informuoja vairuotojus apie numatomą laukimo laiką užklausoms, leidžiant jiems geriau valdyti savo laiką ir pozicionavimą.
• DI taikymas. Ji naudoja pažangius DI modelius, kad prognozuotų paklausą ir eilių ilgį, atsižvelgdama į eilių dinamiką ir išorinius veiksnius, tokius kaip skrydžių vėlavimai.
• Įtaka pramonei. Tai yra vienas įdomiausių DI taikymų 2023 m., nes optimizuoja išteklių paskirstymą realiu laiku, didindama „Uber“ paslaugų efektyvumą ir vartotojo patirtį oro uostuose.

Šaltinis: „Uber“ (https://www.uber.com/en-GB/blog/demand-and-etr-forecasting-at-airports/)

DI taikymai „Pinterest“

„Pinterest“ (https://pinterest.com/) greičiausiai nereikia pristatyti. Ši amerikiečių socialinė medija leidžia vartotojams naršyti ir dalintis nuotraukomis, GIF’ais ir vaizdo įrašais, apimančiais įvairias temas, tokias kaip mada, kulinarija, interjero dizainas ir kt. Vartotojai gali kurti savo lentas su vizualiniu turiniu, kuris jiems atrodo įdomus, ir tyrinėti kitų žmonių lentas įkvėpimui.

Platforma remiasi reklama, o 2023 m. ji priėmė DI, kad pereitų nuo tradicinių reaguojančių metodų prie proaktyvesnių, siekdama užkirsti kelią reklamuotojų pasitraukimui. Tai išsiskiria kaip vienas iš žymiausių DI taikymų 2023 m., nes:

• Ji sprendžia reklamuotojų pasitraukimo iš „Pinterest“ platformos iššūkį. Tradiciškai šis klausimas buvo sprendžiamas tik po to, kai reklamuotojai jau buvo pasitraukę, todėl buvo sunku juos sugrąžinti. Dėl mašininio mokymosi (ML) dabar galima anksti nustatyti potencialų pasitraukimą, suteikiant komandai galimybę imtis proaktyvių priemonių.
• „Pinterest“ komanda sukūrė mašininio mokymosi (ML) modelį, kuris prognozuoja reklamuotojų pasitraukimo tikimybę per artimiausias 14 dienų. Jis naudoja reklamuotojų savybių rinkinį, kad padarytų šią prognozę. Pardavimų komanda naudoja šią informaciją, kad prioritetizuotų veiksmus, skirtus pasitraukimo prevencijai.
• Pradiniai eksperimentai parodė, kad šis požiūris gali pasiekti 24% pasitraukimo sumažėjimą testinėje grupėje, palyginti su kontroline grupe. Tai rodo proaktyvaus požiūrio efektyvumą prevencijoje.

„Stitch Fix“, arba antraštės ir produktų aprašymai, generuojami DI

„Stitch Fix“ (https://www.stitchfix.com/) yra novatoriška platforma, leidžianti vartotojams užsisakyti drabužius per mobiliąją programą. Vartotojai gali užpildyti anketą, nurodydami savo stiliaus pageidavimus, dydį ir biudžetą. Po to jie gauna penkis individualiai parinktus drabužių pasiūlymus iš daugiau nei 1000 skirtingų prekių ženklų ir stilių.

„Stitch Fix“ naudoja pažangius dirbtinio intelekto algoritmus, kad generuotų dėmesį pritraukiančias reklamos antraštes ir išsamius produktų aprašymus. Tai padaro marketingo turinio ir produktų aprašymų kūrimo procesą mažiau laiko reikalaujančiu ir brangiu, užtikrinant unikalumą ir nuoseklumą su prekės ženklo įvaizdžiu.

Įmonė taiko „ekspertų įsikišimo“ metodą, derindama DI kūrybiškumą su žmogaus priežiūra, užtikrindama aukštą kokybę ir efektyvumą. Su DI „Stitch Fix“ gali generuoti produktų aprašymus šimtams tūkstančių stilių, sprendžiant masto ir sudėtingumo iššūkius elektroninėje prekyboje. Nuolatinis algoritmų tobulinimas kartu su ekspertų žiniomis leidžia nuolat gerinti generuojamo turinio kokybę.

Ši inovacija sprendžia laiko reikalaujantį ir brangų marketingo turinio kūrimo procesą elektroninėje prekyboje ir produktų aprašymus, užtikrinant unikalumą ir atitikimą prekės ženklo stiliui.

„Swiggy“

„Swiggy“ (https://www.swiggy.com/) yra Indijos internetinė maisto pristatymo paslauga, leidžianti vartotojams užsisakyti patiekalus iš vietinių restoranų. „Swiggy“ programa suteikia galimybę pasirinkti patiekalus iš mėgstamų restoranų, stebėti užsakymus realiu laiku ir naudotis papildomomis funkcijomis, tokiomis kaip personalizuotos rekomendacijos ir nustatyta minimali užsakymo vertė.

„Swiggy“ naudojo DI, kad personalizuotų maisto užsakymus savo programoje, sprendžiant „pasirinkimo paradoksą“. Štai pagrindiniai punktai:

• Pasirinkimo paradoksas. „Swiggy“ pastebėjo, kad klientams sunku nuspręsti, ką užsisakyti, dėl per didelio pasirinkimo. Šis reiškinys, žinomas kaip „pasirinkimo paradoksas“, sukelia klientų nepatenkinimą.
• Užsakymų pritaikymas. Įmonė pristatė rekomendacijų sistemą „krepšeliams“ su ribotu patiekalų skaičiumi, pritaikytu klientų pageidavimams, kad palengvintų jų pasirinkimą ir pagerintų vartotojo patirtį.
• DI taikymas. „Swiggy“ naudoja DI, kad analizuotų istorinius užsakymų duomenis, klientų mitybos pageidavimus ir produktų sezoninį pobūdį, kad generuotų personalizuotas rekomendacijas.

Ši inovacija sprendžia per didelio pasirinkimo problemą, didindama tiek klientų pasitenkinimą, tiek platformos efektyvumą. Tai yra vienas įdomiausių DI taikymų versle 2023 m. dėl savo efektyvumo ir sudėtingumo.

DI taikymai „FoodPanda“

„Foodpanda“ (https://www.foodpanda.my/) yra internetinė maisto pristatymo paslauga, leidžianti vartotojams užsisakyti patiekalus iš vietinių restoranų per programą. „Foodpanda“ programa leidžia vartotojams užsisakyti mėgstamus patiekalus, stebėti užsakymų būseną realiu laiku ir pasiekti įvairias funkcijas, įskaitant personalizuotas rekomendacijas ir nustatytą minimalią užsakymo vertę.

„Foodpanda“ naudoja A/B testavimą, kad pagerintų savo meniu ir padidintų konversijos rodiklius. Inovacija apima B versijos meniu atnaujinimą per pažangų planavimą ir automatizavimą. Štai pagrindiniai punktai:

• Testavimo automatizavimas. Naudojant „Apache Airflow“ automatizuoti meniu atnaujinimo procesą.
• Skalė. Procesų optimizavimas leidžia greičiau testuoti, net ir keliuose šalyse.
• Efektyvumas. Vykdymo laiką sumažinti nuo 9 valandų iki maždaug 3,75 valandos ir sumažinti klaidų rodiklį iki 2,2%.
• Tolesni patobulinimai. Planuojami tolesni patobulinimai, tokie kaip dinaminė puslapių konfigūracija ir atskiros DAG skirtingoms šalims.

Dėl šių inovacijų „Foodpanda“ sprendžia lėto ir neefektyvaus meniu atnaujinimo problemą, kuri yra svarbi norint išlaikyti konkurencingumą ir didinti vartotojų pasitenkinimą.

Šaltinis: „FoodPanda“ (https://www.foodpanda.my/)

„Zillow“

„Zillow“ (https://www.zillow.com/) yra internetinė nekilnojamojo turto platforma, palengvinanti paiešką, pirkimą, nuomą ir pardavimą savo vartotojams. Platforma siūlo milijonus nekilnojamojo turto skelbimų, leidžiančių vartotojams palyginti vertes ir susisiekti su vietiniais pramonės ekspertais. „Zillow“ naudoja pažangias technologijas, įskaitant mašininį mokymąsi, kad teiktų tikslias nekilnojamojo turto vertes ir optimizuotų pirkimo, pardavimo ar nuomos procesus.

Inovatyvus „Zillow“ požiūris į nekilnojamojo turto vertinimą per „Neural Zestimate“ įrankį pozicionuoja įmonę kaip stiprų žaidėją tarp DI novatorių. Štai pagrindiniai punktai, kurie iliustruoja, kodėl „Neural Zestimate“ yra vienas įdomiausių DI taikymų:

• Greitas atsakas į rinkos pokyčius. Dėl „Neural Zestimate“ „Zillow“ gali greitai reaguoti į nekilnojamojo turto rinkos pokyčius, teikdama naujausias vertes nacionaliniu mastu.
• Supaprastinti atnaujinimai. Nauja sistema žymiai palengvina vertinimo modelių atnaujinimą ir palaikymą, gerindama jų tikslumą.
• Vietiniai ir sezoniniai trendai. „Neural Zestimate“ efektyviai integruoja vietinę informaciją ir sezoninius rinkos pokyčius į mokymosi procesą, leidžiančią tiksliau įvertinti namų vertes.
• Vertinimo diapazonas. „Neural Zestimate“ naudoja kvantilinę regresiją, kad generuotų kainų diapazonus, suteikdama geresnį supratimą apie potencialią nekilnojamojo turto vertę ir sumažindama neapibrėžtumą vertinime.

Ši inovacija sprendžia dabartinių ir tikslių nekilnojamojo turto vertinimų trūkumo problemą, kuri yra svarbi tiek pardavėjams, tiek pirkėjams dinamiškoje nekilnojamojo turto rinkoje.

„GitHub Copilot“ su DI taikymais

Inovatyvių DI taikymų sąrašas negalėtų būti pilnas be „GitHub Copilot“ – DI varomo kodavimo įrankio, kuris naudoja didelius kalbos modelius (LLM) iš „OpenAI“. „GitHub Copilot“ yra proveržis kodų generavime, leidžiantis realaus laiko kodų pasiūlymus IDE aplinkoje.

Dėl bendradarbiavimo su „OpenAI“, „ChatGPT“ kūrėjais, ir nuolatinio LLM modelių tobulinimo, „Copilot“ tampa vis tikslesnis ir pritaikytas vartotojų poreikiams. Šis įrankis didina programuotojų produktyvumą automatizuodamas dalis kodavimo proceso ir teikdamas momentinius pasiūlymus.

„GitHub“ (https://github.com/) planuoja išplėsti „Copilot“ galimybes, pridėdama balso palaikymą ir integruodama jį su kitais platformos elementais. Tačiau net ir dabar jis sprendžia ilgų ir sudėtingų kodavimo procesų iššūkį, siūlydamas protingus pasiūlymus, kurie pagreitina darbą ir padeda spręsti programavimo problemas. Tai daro jį vienu įdomiausių DI taikymų įmonėse 2023 m.

DI taikymai – santrauka

Šiame straipsnyje pateikti pavyzdžiai yra tik ledkalnio viršūnė, kalbant apie DI inovacijas šiuolaikiniame versle. 2023 m. vis daugiau įmonių kreipiasi į DI technologijas, kad dirbtų protingiau, geriau suprastų klientus ir būtų aktualios pramonės tendencijoms. Vis didėjantis DI naudojimas atneša naują perspektyvą, transformuodamas tiek darbuotojų, tiek klientų patirtis. Pasak „Gartner“, iki 2025 m. 80% įmonių priims bent vieną DI pagrįstą sprendimą, kas rodo teigiamą tendenciją verslo pasaulyje.

Jei jums patinka mūsų turinys, prisijunkite prie mūsų užimtų bičių bendruomenės Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.