Sadržaj
P:
Mogu li isti alati za strojno učenje raditi i za maloprodajne i za proizvodne tvrtke?
A:
Kada je riječ o prilagođavanju alata za strojno učenje kako za maloprodajne tako i za proizvodne tvrtke, postoje neke značajne sličnosti, ali postoje i temeljne razlike.
U maloprodaji je velika većina alata i procesa strojnog učenja orijentirana na prodajne i kupčeve inicijative. Tvrtke koriste ogromnu moć strojnog učenja za kopanje podataka što im omogućuje prodaju, što povećava konverziju i na taj način donosi profit. Odličan primjer koji premošćuje granicu između strojnog učenja i umjetne inteligencije nastoji dosegnuti kupce oko napuštanja košarice. Skupovi alata koji aktivno posežu za kupcima koji su napustili predmete u košarici često se klasificiraju kao alati umjetne inteligencije, ali ostali alati koji jednostavno prikupljaju i analiziraju podatke kako bi se razvili sustavi koje pokreće čovjek primjeri su strojnog učenja primijenjenog u maloprodaji.
U proizvodnji, pejzaž strojnog učenja izgleda pomalo drugačije. Strojno učenje primjenjuje se na proizvodnju i proizvodnju fizičke robe na vrlo nekoliko jedinstvenih načina. Veliki dio strojne učenja u proizvodnji se odnosi na rukovanje lancima opskrbe. Strojno učenje će informirati o procesima održavanja, popravka i remonta (MRO) i drugim aspektima izgradnje, pakiranja ili sastavljanja diskretnih ili masovnih proizvodnih predmeta. Drugim riječima, mnogi od najvrjednijih alata za strojno učenje u proizvodnji orijentirani su prema prodavaonici, a nisu usmjereni prema kupcima, već u izgradnji savršene „pametne tvornice“ i poboljšanju fizičkih procesa. (Ovaj Forbesov članak samo je jedan primjer koji opisuje deset načina na koje strojno učenje mijenja proizvodnju brzo i na temeljne načine.) Za razliku od toga, alati za strojno učenje uglavnom su usmjereni na "pametni prodajni pod" i većinu trgovine koja se sada odvija putem interneta ili putem digitalnih platformi.
Uz to rečeno, maloprodajne tvrtke mogu također koristiti alate za strojno učenje za obradu fizičkih procesa, na primjer, zalihe. U upravljanju zalihama, prediktori strojnog učenja mogu pomoći maloprodajnim tvrtkama da uštede ogromne količine novca, držeći na raspolaganju samo zalihe koje su im potrebne u određenom trenutku i čineći skladišta i skladištenje znatno učinkovitijima. Međutim, glavna vrijednost strojnog učenja u maloprodaji i dalje je usmjerena na podršku odlučivanju u prodaji, na učenje više o kupcu na temelju dubokog sakupljanja podataka i praksi analize, na ispitivanje demografije i osobnih podataka i dobivanje izuzetno vrijedne prodajne inteligencije.
Dno crta je da su, kao preteča predstojećeg snažnog AI-ja, alati za strojno učenje i duboko učenje jednostavno „pametni“. Oni prikupljaju podatke i pružaju holističku sliku određenog koncepta, bilo da se radi o geografskom, fizičkom prostoru ili digitalnom okoliš. Tako različite industrije koriste moć strojnog učenja na različite načine. Razlika između strojnog učenja u maloprodaji i strojnog učenja u proizvodnji je evidentni primjer kako tvrtke preciziraju svoje potrebe i u skladu s tim usvajaju tehnologije strojnog učenja.