Machine learning (ML) pomáhá řešit různé problémy, ale zní to poněkud nedostupně. Většina lidí slyšela tento termín, ale mnozí přesně nevědí, co znamená. Jak může pomoci řešit problémy v oblasti utility business? <\/SPAN>Později v tomto blogovém příspěvku se podíváme na tři slova, která pomohou každému stát se tím, co můj kolega nazývá buzzword compliant v machine learning.<\/STRONG><\/P>Vzhledem k nárůstu dat a analytiky se termín "machine learning" objevuje všude. Je to podmnožina oblasti umělé inteligence. To zní trochu jako sci-fi, ale není tomu tak. Moderní cloudové ukládání dat a výpočetní zdroje mají ohromnou kapacitu pomoci řešit skutečné obchodní problémy, zejména pomocí ML technik. Machine learning používá obecné programy místo vytváření specifických programů pro každý nový obchodní problém. Tyto programy vyhodnocují data, aby identifikovaly vzory, a pak tyto vzory používají k tvorbě predikcí. V jistém smyslu se stroj, nebo počítač, učí z dat o minulých zkušenostech a aplikuje toto učení na aktuální problém.<\/STRONG><\/P>Stroje se učí stejným způsobem jako my lidé. Někdo nám často říká, co očekávat (algorithm), máme zkušenosti (data), děláme pozorování a tvoříme si vlastní představy o vzorech (training), a pak tyto vzory aplikujeme na budoucí zkušenosti. Moje manželka se naučila číst mou náladu podle výrazu mé tváře a místa. I když nemá přímé znalosti mých vnitřních myšlenek, když dělám "ten výraz" v kuchyni, naučila se, že jsem nespokojený, protože děti nechaly nádobí ve dřezu. Pozorovala vzor a proto dělá přesné predikce.<\/P>1. Model<\/STRONG><\/P>V oblasti ML "model" zatím nemá standardní definici. <\/SPAN>Představte si model jako systém, který zahrnuje techniky, programy a data.<\/STRONG> <\/SPAN>Právě model nakonec přinese výsledky. Můžete se zeptat na výkon určitého modelu na novém datasetu. Kdybyste se zeptali datového vědce, zda je model připraven vyřešit váš problém, odpověď by mohla být: "Model ještě není dostatečně přesný; stále potřebuje doladění."<\/P>2. Algorithm<\/STRONG><\/P>Algorithm je postup pro dokončení úkolu, jako recept<\/STRONG>. V ML je to matematický přístup k nalezení vzorů v datech. ML software obsahuje knihovny těchto obecných programů, které lze použít ve vašich modelech. Existuje mnoho algoritmů napsaných matematiky, každý s vlastními silnými a slabými stránkami pro různé situace. Často mají kryptická jména jako empirical Bayesian kriging (EBK) nebo ordinary least squares (OLS), a je potřeba testování k nalezení nejlepšího algorithmu pro každou aplikaci. Výcvik v datové vědě je obvykle nezbytný k výběru nejlepšího algorithmu pro konkrétní úkol.<\/P>3. Training<\/STRONG><\/P>Training pomáhá odlišit ML od jiných typů řešení problémů. Model je trénován pomocí sady dat s známými výsledky. Aplikuje algorithm k analýze tréninkových dat, nachází korelace a vzory v těchto datech. <\/SPAN>Jakmile je model dostatečně trénován, může být použit k tvorbě predikcí na nových datech, kde jsou výsledky zatím neznámé.<\/STRONG><\/P>Řešení skutečného problému<\/STRONG><\/P>Elektrické utility zapínají a vypínají službu jako součást běžného provozu. Pro většinu zákazníků utility se to nestává často. Nicméně u některých je tato akce vyžadována několikrát ročně. Může to být kvůli stěhování lidí nebo nezaplaceným účtům za služby. Některé utility instalují měřiče, které lze zapínat a vypínat na dálku z kanceláře bez nutnosti vyslat zaměstnance a vozidlo na místo. Tyto měřiče šetří čas zákazníkovi a zároveň snižují transakční náklady a dopad na životní prostředí. Jak by mohla utility analyzovat data k predikci, kteří zákazníci by měli prospěch z těchto dražších měřičů?<\/P>K řešení tohoto problému bychom mohli shromáždit data z minulých objednávek a vytvořit predikce o budoucích aktivitách zapnutí a vypnutí služby. Data by mohla zahrnovat typ účtu, sazbu, historii plateb, částky účtů, adresu atd. Vybrali bychom algorithm, shromáždili historická data a trénovali model. Tento model by pak mohl být použit k analýze aktuálních účtů a predikci těch, které budou pravděpodobně mít vysokou poptávku po této službě v budoucnu.<\/P>V tomto příkladu, stejně jako u většiny záležitostí utility business, by informace o lokaci byly neocenitelné při řešení tohoto problému<\/STRONG>. Chápeme, že vysokoškolští studenti obývají byty podle školního cyklu a často se pak na léto stěhují pryč. Pohyby studentů přímo ovlivňují objednávky elektrických služeb. Pokud bychom mohli také použít informace o lokaci, například blízkost univerzitám, model by mohl fungovat ještě lépe.<\/P>Techniky machine learning budou nadále evolvovat. Jak tak činí, je důležité zahrnout location intelligence v každém kroku procesu. Lokace je přirozenou součástí přípravy utility dat, tréninku modelu a smysluplných predikcí.<\/STRONG> <\/SPAN>Neexistuje lepší způsob začlenění location intelligence do ML než pomocí GIS.<\/P>Úkol využití big data je příliš velký na manuální analýzu.<\/STRONG> <\/SPAN>Utility potřebují nejlepší nástroje a techniky k nalezení praktických poznatků v datech, vizualizaci výsledků a jasnému komunikování dopadu zainteresovaným stranám. Platforma ArcGIS zahrnuje tyto nástroje spolu s výkonnými location-based machine learning technikami.<\/P>Příště až vyjdete z kuchyně a někdo vám přečte myšlenky podle výrazu vaší tváře, uvědomte si, že používá stejnou techniku jako machine learning. Zjistěte, jak location intelligence a machine learning mohou <\/SPAN>řešit vaše obchodní výzvy<\/A>.<\/P>
