机器学习是什么?

机器学习是人工智能 (AI) 的一个子集,专注于构建能够根据所使用的数据进行学习或改进性能的系统。 人工智能是一个宽泛的术语,指的是模仿人类智能的系统或机器。 机器学习和人工智能经常被人们放在一起讨论,这些术语有时可互换使用,但其含义并不相同。 一个重要的区别是,尽管所有机器学习都是 AI,但并非所有 AI 都是机器学习。

如今,机器学习已在我们身边无处不在。 当我们与银行交互、在线购物或使用社交媒体时,机器学习算法会发挥作用,让我们获得高效、顺畅和安全的体验。 机器学习及其相关技术正在迅速发展,我们才刚刚开始了解它的能力。

 

“我们通常会发现,人们无法在一起协作, 在 Oracle 分析云中添加机器学习,工作人员就可以有序组织工作,构建、培训和部署这些数据模型。 它是一种协作工具,其价值在于加快流程,并帮助不同业务部门开展协作,从而提供更高的质量和更好的模型供您部署。“

— Oracle 分析事业部产品战略副总裁 Rich Clayton

两种学习方法

算法是机器学习的引擎。 通常,目前使用的机器学习算法主要有两种: 监督学习和无监督学习。 两者之间的区别在于如何通过学习数据做出预测。

监督机器学习

监督机器学习算法最为常用。 有了该模型,数据科学家就可以作为向导,告诉算法它应该得出什么结论。 就像孩子通过在图画书中记住水果来学习识别水果一样,在监督学习中,算法是由已经标记并具有预定义输出的数据集进行训练的。

监督机器学习的例子包括算法,如线性和逻辑回归,多类别分类和支持向量机。

无监督机器学习

无监督机器学习使用一种更独立的方法,计算机会学习识别复杂的过程和模式,而不需要人类提供密切、持续的指导。 无监督机器学习包括根据没有标签的数据或特定的、定义好输出的数据进行训练。

继续使用幼儿教学作类比,无监督机器学习类似于孩子通过观察颜色和图案来识别水果,而不是在老师的帮助下记住水果的名字。 孩子会寻找图像之间的相似性并对其进行分组,并为每一个小组分配自己的新标签。 无监督机器学习算法的例子包括 k 均值聚类、主成分和独立分量分析以及关联规则。

选择方法

哪种方法更符合您的需求? 选择监督还是无监督机器学习算法通常取决于一些与数据结构和数据量相关的因素以及所应用的具体用例。 机器学习已经在许多行业蓬勃发展,用于支持各种业务目标和用例,包括:

  • 客户终身价值
  • 异常检测
  • 动态定价
  • 预测性维护
  • 图像分类
  • 推荐引擎

业务目标: 客户终身价值建模

客户终身价值建模对于电子商务业务至关重要,但同时也适用于许多其他行业。 在此模型中,组织使用机器学习算法来识别、理解和留住有价值的客户。 这些价值模型将评估大量的客户数据,以确定最大的消费者,品牌最忠实的拥护者,或者这些特质的组合。

客户终身价值模型在预测各客户在特定时期内为企业带来的未来收入方面尤其有效。 这些信息让组织能够将营销工作的重点放在鼓励高价值客户更加频繁地与品牌进行互动上。 客户终身价值模型还可以帮助组织将其营销支出精准用于吸引与现有高价值客户相类似的新客户。

业务目标: 客户流失建模

与维持现有客户的满意度和忠诚度相比,吸引新客户更耗时、更昂贵。 客户流失建模可帮助组织确定哪些客户可能会停止与企业之间的业务合作以及具体的原因。

有效的流失模型使用机器学习算法来提供一切洞察 — 从单个客户的客户流失风险评分到按重要性排序的客户流失驱动因素。 这些输出对于开发算法保留策略至关重要。

深入了解客户流失有助于企业优化折扣优惠、电子邮件营销活动和其他精准营销活动,从而促成高价值客户的购买和再次光顾。

业务目标: 通过动态定价来灵活调整产品价格

消费者拥有比以往更多的选择,他们可以即时比较各种渠道的价格。 动态定价(也称为需求定价)让企业能够适应不断变化的市场动态。 它让组织能够根据各种因素对产品进行灵活定价,包括目标客户的兴趣水平、购买时的需求以及是否参与了营销活动。

这样的业务敏捷性需要一个可靠的机器学习策略和大量的数据,而这些数据用于说明不同客户在各种情况下为商品或服务付费的不同意愿。 虽然动态定价模型可能很复杂,但航空公司和拼车服务等公司已经成功地实施了动态价格优化策略,以尽可能地增加收入。

业务目标: 通过客户细分精准地定位客户

成功的营销是始终在适当的时间为适当的人提供适当的产品。 就在不久前,营销人员还需要依靠自己的直觉对客户进行细分,将客户分成几个小组进行针对性的营销活动。

如今,机器学习使数据科学家能够使用聚类和分类算法,根据特定的变量将客户分组到各角色中。 这些角色考虑了多个维度的客户差异,例如人口统计数据、浏览行为和亲和度。 将这些特征与购买行为模式联系起来,就能让精通数据的公司推出高度个性化的营销活动,从而比一般的营销活动更有效地促进销售。

随着企业可用数据的增长和算法变得更复杂,个性化功能将会增加,使企业更贴近理想的客户群。

业务目标: 利用图像分类的强大力量

机器学习支持零售、金融服务和电子商务以及各种用例。 它在科学、医疗卫生、建筑和能源应用领域也有巨大的潜力。 例如,图像分类使用机器学习算法将一组固定类别的标签分配给任何输入图像。 它使组织能够基于 2D 设计对 3D 建筑计划进行建模,支持社交媒体中的照片标记以及预判医疗诊断等。

神经网络等深度学习方法经常被用于图像分类,因为它们可以根据潜在联系有效识别图像的相关特征。 例如,它们可以考虑图像中的视角、光照、比例或杂斑量的变化,并通过弥补这些问题提供相关、高质量的洞察。

业务目标: 使用推荐引擎创建更卓越的客户体验

推荐引擎对于向消费者交叉销售和追加销售并提供更好的客户体验是必不可少的。

Netflix 表示其推荐引擎在内容建议方面创造的价值为每年 10 亿美元,亚马逊称其系统的年销售额增长了 20% 至 35%。

推荐引擎使用机器学习算法筛选大量数据,预测客户购买商品或浏览内容的可能性,然后为用户提供个性化建议。 这将创造更加个性化、更相关的体验,鼓励更积极的交互,从而减少客户流失。

提供切实的业务价值

机器学习支持各种关键业务用例。 但它如何提供竞争优势? 机器学习最引人注目的特性之一是它的自动化能力,能够加快决策制定并更快创造价值。 首先是获得更好的业务可见性并增强协作。

“我们通常会发现,人们无法在一起协作,“Oracle 分析事业部产品战略副总裁 Rich Clayton 表示, “在 Oracle 分析云中添加机器学习,工作人员就可以有序组织工作,构建、培训和部署这些数据模型。 它是一种协作工具,其价值在于加快流程,并帮助不同业务部门开展协作,从而提供更高的质量和更好的模型供您部署。“

例如,财务部门往往面临一项重负,就是反复执行各种差异分析过程 — 即比较实际情况和预测结果。 它是一种低认知能力的应用,可以从机器学习中获益良多。

Clayton 表示:“通过嵌入机器学习,财务部门可以更加快速和智能化地开展工作,并在机器处理的基础上继续相应任务。”

机器学习另一个令人兴奋的功能是其预测能力。 过去,业务决策通常是基于历史结果做出的。 如今,机器学习使用丰富的分析来预测将要发生的事。 组织可以做出前瞻性的主动决策,而不是依赖历史数据。

例如,预测性维护可帮助制造商、能源公司和其他行业占据主动权,确保运营的可靠性和优化状态。 在拥有数百台钻机的油田中,机器学习模型可以发现在不久的将来有故障风险的设备,然后提前通知维护团队。 这种方法不仅能尽可能提高生产率,还可以改善资产性能,延长正常运行时间和使用寿命。 它还可以尽可能降低员工风险,减少不利因素并改善合规性。

预测性维护的优势可扩展至库存控制和管理。 通过实施预测性维护来避免计划外设备停机,组织可以更准确地预测备件和维修需求 — 从而显著降低资本和运营费用。

机器学习具有巨大的潜力,可帮助组织从当前的大量数据中挖掘业务价值。 然而,低效的工作流程会阻碍公司充分发挥机器学习的潜力。

要在企业层面获得成功,需要建立一个全面的平台来帮助组织简化运营和大规模部署模型,而机器学习需作为该平台的一部分。 理想的解决方案将使组织能够在一个协作式平台中集中处理所有数据科学工作,并加速开源工具、框架和基础设施的使用和管理。

人工智能学习库

人工智能是什么?
了解有关人工智能的更多信息

人工智能 (AI) 让技术和机器能够处理数据并学习、成长和执行人工任务。

了解有关数据科学的更多信息
了解有关数据科学的更多信息

企业正积极将统计学与计算机科学概念(如机器学习和人工智能)结合起来,从大数据中提取洞见,进而推动创新并转变决策制定。

新闻和观点
新闻和观点

机器学习、人工智能和数据科学正在改变企业处理复杂问题的方式,进而转变各个行业的发展方向。 阅读最新文章,了解行业和您的同行是如何采用这些技术的。