大数据和机器学习的结合可以释放您已经为业务赢得竞争优势所必需的数据的价值。
两个机器学习(ML)模型构建器的发布使得软件工程师可以更容易地创建和运行ML模型，即使没有专门的培训。
微软和亚马逊网络服务(AWS)的Gluon是一个开源项目，它消除了开发人工智能(AI)系统所需的一些艰巨的工作。它提供了训练算法和神经网络模型，这是深度学习系统的两个重要组成部分，开发人员可以使用它们来开发自己的ML系统。
Google的ML引擎是其云平台的一部分，是为开发人员提供的托管服务，用于构建可处理任何类型、任何大小的数据的ML模型。与Gluon相似，Google的服务为开发人员提供了预先训练的模型，以生成自己的量身定制的ML模型。
现在是仔细研究ML的好时机，看看您如何将其应用到您的业务中。大数据与机器学习的结合可以揭示可用于创建和改进产品或在竞争中获得优势的模式，从而释放您已经拥有的数据的价值。
下面是企业将ML应用到产品和服务创新的5种方式。
1. 自动驾驶汽车
自动驾驶汽车可以为运输带来更安全，更清洁，更高效的未来。软件开发人员使用ML和深度学习(DL)算法来增强计算机视觉，使车辆能够以类似于人类决策的方式做出决策。
Drive.ai(https://www.drive.ai/)正在使用DL构建自动驾驶车辆的“大脑”。它的团队使用受管理的工作人员将非结构化数据从原始图像转换为结构化数据，使用边界框注释对象，如道路标志、红绿灯和行人。
这些丰富的图像然后用于“教导”自治系统如何识别物体以及如何在道路上行驶时确定适当的响应。
2. 写作指导
教人们如何写作是很难衡量的。即使对有经验的高中教师和大学教授来说，复习书面作业并向每个班级的每个学生提供有意义的反馈也是一个挑战。
Ecree使用ML为其自动写作评估软件提供功能。当学生提交论文时，算法会识别出学生是否包括论文陈述或目的陈述，然后评估该陈述的质量。
该软件使用36个指标来评分学生的作业，并能在不到一分钟的时间内向学生提供反馈。学生可以提交任意数量的草稿，并得到实时写作指导，学习优秀写作的要素：组织性、清晰性、支持性证据和分析。该工具还确保使用相同的标准对每个学生进行同等的评估。
3. 物联网和IIoT预测性维护
设备维护是将大量机械部署到现场的公司所面临的众多昂贵挑战之一。物联网(IoT)和工业物联网(IIoT)在从燃油表到轮胎的日常物体上使用内置传感器，以收集数据并在网络上共享。该系统使用ML分析温度和湿度等数据，以预测性能和未来结果。
卡特彼勒(Caterpillar)是一家制造船舶动力系统的公司，它使用物联网和机器学习来发现设备和设备数据中的模式。在一个示例中，卡特彼勒(Caterpillar)识别出燃油表读数与船上冷藏集装箱使用的电量有关。他们使用该数据通过修改发电机输出来优化运行参数。这样，对于50艘船，每小时可节省30美元，或一年节省650,000美元。
4. 入库物流计划
物流计划可确保合适的人在合适的时间在合适的地点收到合适数量的供应品。入库物流侧重于供应商及其向企业发送的商品的管理。这是管理订单，运输，仓储，库存控制和使用的复杂过程。通过收集有关现有计划的数据并将其输入到ML模型中，企业可以预测并推荐未来的流程。
沃尔玛使用ML来优化业务效率。 其Retail Link 2.0系统使用在整个供应链中流动的信息来识别偏离其流程的信息，因此可以实时进行调整。
汽车制造商本田使用机器学习来检测装配线以外的质量问题，方法是在保修退回单的自由文本字段和机械师的报告中识别模式。
5. 零售商业
在商店或网上销售产品的公司收集大数据已经有一段时间了。他们收集有关消费者、消费习惯和偏好的人口统计数据。挑战在于收集在线和离线数据，并识别数据中可能对定价、库存、客户体验和盈利能力产生积极影响的模式。
机器学习使零售商有可能发现数据中的模式，他们可以根据这些模式来影响客户的品牌体验。电子商务零售商可以在购物者浏览和购买其网站上的商品时收集数据，然后利用这些信息和市场趋势来提供个性化的产品推荐，从而增加销量。
零售巨头亚马逊是最早根据购物者的浏览和购买历史来实施个性化产品推荐的公司之一。ML支持该推荐引擎的各个方面，以及其数字语音助手亚马逊的Alexa使用的自然语言处理功能。
奢侈品服装零售商丽贝卡·明科夫(Rebecca Minkoff)利用Alexa快速从他们的数据中提取细节。在ShopTalk大会上，联合创始人Uri Minkoff向Alexa询问了该品牌春季系列中购买量最大的商品，并在一秒钟内得到了正确的回复。
一旦您决定在您的业务中使用ML和DL，您的数据就是要开采的黄金。看看您的非结构化和结构化数据，ML模型可以使用这些数据将您的许多基本流程转换为智能系统，以实现创新和竞争优势。
