Mašinsko učenje potpomaže donošenje odluka u vinarstvu, novinarstvu i investiranju

Vaš pitch pred investitorima uskoro bi se mogao svesti na slanje određenih podataka mejlom, a odluka dobijate li novac ili ne, bila bi donešena uz pomoć mašinskog učenja.

Marija Gavrilov - 7. Avgust, 2015.

U prošlonedeljenom tekstu o mašinskom učenju, naveli smo definiciju prof. Toma Mičela, koji je sažeo značenje ove oblasti:

Kaže se da program uči iz iskustva E s obzirom na klasu zadataka T i merenja performansi P ako se njegove performanse u zadacima T, merene kroz P, poboljšavaju sa svakim novim E.

Evo kako mašinsko učenje pomaže profesionalcima da efikasnije obave određene poslove u vinarstvu, novinarstvu i ulaganjima.

Predikcije za ljubitelje vina

Kupoprodaja kvalitetnih vina je skupo i, ponekad, komplikovano zanimanje. Cena po jedinici je visoka, a tržište ne viđa frekventnost prodaje. Pored toga, cene variraju, te za isto vino na aukciji u Londonu možete platiti duplo više nego u Hong Kongu nekoliko dana posle.

Slaba efektivnost ovog tržišta navela je dugogodišnjeg trgovca u hedž fondu, poznavaoca veštačke inteligencije i osnivača startapa Invinio, Dr. Tristana Flečera, da pokrene istraživanje sa fokusom na pitanje: da li možemo da predvidimo kretanje cena vina?

Primenjujući metode mašinskog učenja na prikupljene podatke – regresiju Gausovskih procesa i multi-task učenje – rasporedili su vina u dve kategorije: jedna u kojoj cena vina naglo opada dan nakon rasta i druga u kojoj vina ne pokazuju ovu osobinu. Koristeći mašinsko učenje, tim je uspeo da predvidi i tačne promene cena, bilo da rastu ili padaju.

Rezultati istraživanja dali su vetar u leđa Flečerevoj nameri da ove metode koristi u svom poslu i kroz startap omogući klijentima transparentniju trgovinu skupim vinima.

Brže pisanje članaka u moru informacija

Mašinsko učenje u ovu profesiju uvodi takozvano strukturisano novinarstvo. Predvodnici u korišćenju metoda strukturisanja su, od najvećih igrača, The New York Times i BBC. I da ne radite za neki od ovih medija, ako se bavite novinarstvom, znate koliko vremena utrošite pretražujući više od jednog izvora ne bili ste došli do potrebnih i kvalitetnih informacija. Sa desetinama otvorenih tabova u pretraživaču, preglednost onoga što radite postaje ograničena.

Kroz svoju R&D Lab, NYTimes je razvio eksperimentalni projekat Editor. Povezivanjem reči, imena i fraza u tekstu, Editor tokom pisanja kategorizuje tekst, a prepoznate reči automatski povezuje sa bazama podataka koje pružaju više informacija.

 Eliminacija subjektivnosti

Odluka o ulaganju u startape u svetu investitora visi o mnogo faktora: od subjektivnog utiska o osobi koja vam prezentuje projekat do procena projektovanih obrta u narednih nekoliko godina.

Sa ciljem da iskoriste mogućnosti prediktivnog modelovanja, Telefónica Open Future i BigML, ujedinile su svoje bavljenje preduzetništvom i mašinskim učenjem ne bi li kreirali algoritam koji će stajati iza prve automatizovane platforme za početne investicije. Iako nisu objavili detalje metoda odabira startapa, kažu da upotrebnom mašinskog učenja žele da odluke oslobode subjektivnog mišljenja, koje često može odvesti u pogrešnom pravcu, ali i da ubrzaju proces ulaganja.

Znam da možemo da gradimo lokalno → pridruži nam se 27. septembra od 18h