Hay bastantes problemas que podrían y deberían resolverse mediante el aprendizaje automático. Los más destacados pueden clasificarse en el campo de su aplicación. Pocos de ellos son:
- Banca: En la banca actual, los principales problemas están relacionados con el fraude. El fraude puede estar relacionado con fraudes con tarjetas de crédito / cajeros automáticos o préstamos incobrables.
- En caso de fraudes en cajeros automáticos, el seguimiento del patrón de transacciones anterior y su combinación con patrones de fraude pasados ya detectados pueden permitir que el banco desactive la tarjeta de manera proactiva, evitando así el fraude. Actualmente, los principales bancos están trabajando para lograrlo, pero en lo que respecta a la implementación, la función de desactivación proactiva aún no está implementada.
- En segundo lugar, los préstamos incobrables se deben a que el banco no considera el patrón monetario de un individuo o una organización antes de otorgarles préstamos, por lo general se basa en el puntaje crediticio actual y la reputación. Pero la mayoría de las veces se trata de un préstamo incobrable, que nunca se recupera porque la persona / organización quiebra o escapa más allá de los límites de la jurisdicción legal. El uso de ML, además del puntaje crediticio y la reputación, los hábitos de gasto, las relaciones pasadas con las instituciones financieras, las fusiones / adquisiciones, etc., pueden verificarse y compararse para prever el futuro, no de manera definitiva, sino al menos para obtener una visión general que acompañe decisión.
- Comercialización: en la industria de la comercialización, las compañías pueden utilizar el ML para rastrear el patrón de compra / consumo de los consumidores y sugerirles los productos en consecuencia. Aunque se ha implementado en algún sentido, actualmente solo sigue el algoritmo para sugerir según el historial de búsqueda reciente de los consumidores. Sin embargo, el campo para este cálculo es mucho más amplio, teniendo en cuenta que la elección del consumidor puede predecirse por muchas otras cosas como la edad, el género, el lugar de residencia (pueblo / ciudad), el país (desarrollado / en desarrollo), etc.
- Defensa: con el avance de la tecnología y una gran cantidad de datos de inteligencia, las agencias de inteligencia de defensa pueden predecir las actividades terroristas basadas en el patrón del habla sobre la conversación telefónica o el patrón de texto en correos electrónicos y mensajes de texto.
- Educación: en el sector educativo, ML se puede utilizar para asesorar a los estudiantes sobre qué materia de graduación deberían considerar en función del análisis de su patrón de calificaciones en diversas materias durante la escuela y las clases a las que asistieron más.
- Mercado de valores: una aplicación de asistente personal para sugerir en qué acciones es mejor invertir según el rendimiento anterior y el patrón del mercado.
- Trabajo / Corporativo: el mejor momento para buscar un trabajo, el mejor trabajo para usted basado en la coincidencia del contenido de su currículum y con los perfiles de trabajo, comparando la cultura de las empresas con sus expectativas según el patrón de actualizaciones de su sitio social, los aspectos geográficos y sociales.
- Deportes: predecir el puntaje de un juego en función de diversos parámetros, como las condiciones climáticas, el rendimiento de los jugadores contra ese oponente en particular, el lugar, el apoyo de los espectadores, el estado físico de los jugadores, el estado emocional de los jugadores en función de sus tweets y actividades sociales y compararlos con sus métricas de desempeños anteriores.
Podría haber muchas más formas en que el aprendizaje automático puede afectar la vida humana en un futuro próximo. Aunque seguramente hará nuestras vidas mucho más fáciles, ¿pero a qué costo? Se lo dejaré a usted para la interpretación.
Gracias por leer.
- ¿Cómo podemos hacer csv o dataset textual a partir de imágenes?
- En el autoencoder variacional, ¿por qué solo tomamos muestras de variables latentes de un gaussiano estándar y aplicamos el decodificador para generar nuevos datos en las pruebas?
- ¿Cuándo y dónde se usaron por primera vez los términos 'aprendizaje profundo', 'aprendizaje automático', 'ciencia de datos'?
- ¿Cómo se pueden engañar los modelos de clasificación existentes?
- ¿Cuáles son algunas arquitecturas de redes neuronales?
