● Google
То же самое справедливо и для Google, чьи специалисты написали уже 1600 работ по разным аспектам машинного обучения. Очевидно, первоначальной целью было улучшить работу поискового движка — для этого нужно, чтобы робот понимал суть человеческих вопросов. В эту же копилку попадают исследования в области перевода и предложения вариантов запроса до того, как пользователь закончит печатать.
Впрочем, деньги Google приносит не поиск, а реклама. Поэтому эксперты корпорации внедрили умные алгоритмы в механизм ставок, который определяет место каждого объявления в очереди на показ.
Дочерние продукты Google также вовсю развивают ML-технологии. На YouTube с их помощью блокируется нежелательный контент, а Gmail предлагает пользователям автоматические ответы на поступающие письма. Наконец, ни в коем случае не забудем Google Assistant — многофункциональный помощник, живущий в Android-смартфонах. Не будем начинать холивар, но многие пользователи ставят его выше конкурентов, полагая, что синергия с экосистемой Google обеспечивает Ассистенту заметное преимущество.
● Tesla
Как бы кто ни относился к Илону Маску, невозможно отрицать достижения его компании в области беспилотных автомобилей. На YouTube достаточно видеороликов, его автопилот Tesla точным маневром уводит машину от неаккуратных участников движения или вышедших на дорогу животных. Система слежения может даже распознать аварийную ситуацию еще до того, как машины впереди столкнутся.
Как писал фантаст Артур Кларк, любая достаточно развитая технология неотличима от волшебства. Впечатляющие возможности Tesla, чьи автомобили за прошедшие годы не спровоцировали ни одного ДТП, целиком построены на машинном обучении. И с каждым пройденным километром эти возможности только развиваются.
Разумеется, другие компании активно применяют те же методы для своих разработок. Причем наверняка в скором будущем мы увидим на этом поле не только привычных автопроизводителей, но и другие новые лица. Когда в следующий раз будете искать на капче дорожные знаки и автобусы, задумайтесь, почему Google нужна помощь с определением таких объектов на фото.
● Uber
Еще один дерзкий новичок автомобильной отрасли не просто экспериментирует с машинным обучением, а запустил целую ML-платформу Michelangelo. Ее используют самые разные департаменты компании. Подразделение доставки еды UberEATS строит модели для точного предсказания времени курьера в пути на базе десятка параметров. Прежде чем выдать результат, алгоритм даже проверяет, как работники ресторана справляются с нагрузкой в последний час и в последнюю неделю.
Подразделение клиентской поддержки применяет ML-технологии, чтобы обрабатывать обращения недовольных пользователей. По подсчетам Uber, внедрение аналитических моделей позволило им на 15% ускорить решение проблем. Это не только снижает нагрузку на сотрудников, но и экономит сотни тысяч долларов в год.
● Яндекс
Единственная российская компания в нашей подборке не зря считается главным проводником инноваций в стране. Именно Яндекс создал открытую систему машинного обучения CatBoost, которая используется на Большом адронном коллайдере. Исходный код библиотеки, документация и прочие необходимые инструменты доступны всем желающим на Github. По словам разработчиков, решение можно использовать для обучения моделей на любых данных в любых областях — от металлургии и нефтеобработки до финансовой аналитики и стриминга кино.
Отдельная служба машинного обучения есть в «Яндекс.Такси». Эти эксперты делают так, чтобы приложение понимало, когда пользователь хочет поехать на работу, а когда — в ресторан отдохнуть. Таким образом они могут формировать оптимальные тарифы, которые устроят и водителя, и пассажира. Эти же технологии помогают развивать внутренние бизнес-процессы «Яндекс.Такси»: поддержку пользователей, контроль качества автомобилей, работу с водителями.
То же самое справедливо и для Google, чьи специалисты написали уже 1600 работ по разным аспектам машинного обучения. Очевидно, первоначальной целью было улучшить работу поискового движка — для этого нужно, чтобы робот понимал суть человеческих вопросов. В эту же копилку попадают исследования в области перевода и предложения вариантов запроса до того, как пользователь закончит печатать.
Впрочем, деньги Google приносит не поиск, а реклама. Поэтому эксперты корпорации внедрили умные алгоритмы в механизм ставок, который определяет место каждого объявления в очереди на показ.
Дочерние продукты Google также вовсю развивают ML-технологии. На YouTube с их помощью блокируется нежелательный контент, а Gmail предлагает пользователям автоматические ответы на поступающие письма. Наконец, ни в коем случае не забудем Google Assistant — многофункциональный помощник, живущий в Android-смартфонах. Не будем начинать холивар, но многие пользователи ставят его выше конкурентов, полагая, что синергия с экосистемой Google обеспечивает Ассистенту заметное преимущество.
● Tesla
Как бы кто ни относился к Илону Маску, невозможно отрицать достижения его компании в области беспилотных автомобилей. На YouTube достаточно видеороликов, его автопилот Tesla точным маневром уводит машину от неаккуратных участников движения или вышедших на дорогу животных. Система слежения может даже распознать аварийную ситуацию еще до того, как машины впереди столкнутся.
Как писал фантаст Артур Кларк, любая достаточно развитая технология неотличима от волшебства. Впечатляющие возможности Tesla, чьи автомобили за прошедшие годы не спровоцировали ни одного ДТП, целиком построены на машинном обучении. И с каждым пройденным километром эти возможности только развиваются.
Разумеется, другие компании активно применяют те же методы для своих разработок. Причем наверняка в скором будущем мы увидим на этом поле не только привычных автопроизводителей, но и другие новые лица. Когда в следующий раз будете искать на капче дорожные знаки и автобусы, задумайтесь, почему Google нужна помощь с определением таких объектов на фото.
● Uber
Еще один дерзкий новичок автомобильной отрасли не просто экспериментирует с машинным обучением, а запустил целую ML-платформу Michelangelo. Ее используют самые разные департаменты компании. Подразделение доставки еды UberEATS строит модели для точного предсказания времени курьера в пути на базе десятка параметров. Прежде чем выдать результат, алгоритм даже проверяет, как работники ресторана справляются с нагрузкой в последний час и в последнюю неделю.
Подразделение клиентской поддержки применяет ML-технологии, чтобы обрабатывать обращения недовольных пользователей. По подсчетам Uber, внедрение аналитических моделей позволило им на 15% ускорить решение проблем. Это не только снижает нагрузку на сотрудников, но и экономит сотни тысяч долларов в год.
● Яндекс
Единственная российская компания в нашей подборке не зря считается главным проводником инноваций в стране. Именно Яндекс создал открытую систему машинного обучения CatBoost, которая используется на Большом адронном коллайдере. Исходный код библиотеки, документация и прочие необходимые инструменты доступны всем желающим на Github. По словам разработчиков, решение можно использовать для обучения моделей на любых данных в любых областях — от металлургии и нефтеобработки до финансовой аналитики и стриминга кино.
Отдельная служба машинного обучения есть в «Яндекс.Такси». Эти эксперты делают так, чтобы приложение понимало, когда пользователь хочет поехать на работу, а когда — в ресторан отдохнуть. Таким образом они могут формировать оптимальные тарифы, которые устроят и водителя, и пассажира. Эти же технологии помогают развивать внутренние бизнес-процессы «Яндекс.Такси»: поддержку пользователей, контроль качества автомобилей, работу с водителями.