Машинное обучение сегодня применяется практически везде – как «в быту», так и в бизнесе. Связано это с резким увеличением данных, которые компаниям необходимо обрабатывать, чтобы быть конкурентоспособными на рынке. Особенно в пандемию, когда весь мир переходит “в цифру”.
22 сентября прошел митап «ML и AI для решения задач в розничном бизнесе», где спикеры из Газпромбанка, Авито и Яндекса поделились опытом работы своих компаний с клиентами. Как выяснилось на митапе, применение ML-подхода в решении множества простых, но рутинных задач поможет уменьшить текучку кадров, а также сохранить клиентов.
На митап зарегистрировалось более 400 человек. Участие приняли сотрудники Банка, it-специалисты из крупных компаний и студенты ведущих вузов. Авторы трёх лучших вопросов были отмечены брендированными подарками.
Делимся конспектом главных мыслей об искусственном интеллекте с прошедшего онлайн-митапа «ML и AI для решения задач в розничном бизнесе» в рамках GPB.Talks. Только актуальные тренды и опыт применения машинного обучения в крупных компаниях.
Записи предыдущих технологических митапов GPB.Talks
Выступления спикеров
«ML и AI для решения задач в розничном бизнесе»
1. Денис Занков, Управляющий директор Департамента анализа данных и моделирования Газпромбанка
“Кейс работы с оттоком в Газпромбанке”
Денис поделился результатами внедрения ML-моделей в борьбе с оттоком розничных клиентов в рамках CRM-кампаний. В Газпромбанке такой подход к решению задачи использовался впервые.
По данным Harward Business Review, привлечение нового розничного клиента дороже в 5-25 раз, чем удержать имеющегося.
Соответственно модельный подход экономически выгоден. Использование ML-моделей позволяет определить клиентов, наиболее склонных к оттоку, чтобы в дальнейшем сгенерировать персонализированное предложение для удержанию розничных клиентов.
2. Татьяна Савельева, CEO Yandex.SupportAI, Яндекс.Go
“Как совмещать последние достижения ИИ и технологий и потребности клиентов. Кейс Yandex.SupportAI”
Татьяна рассказала о том, как они с командой с помощью технологий машинного обучения улучшили и клиентскую поддержку и оптимизировали работу сотрудников Яндекс.Такси.
Алгоритмы помогают сразу подсказывать оператору возможные сценарии взаимодействия с клиентом. Применение видеоаналитики улучшает контроль качества. Как пример, биометрия помогает избежать аварии водителю – если водитель такси засыпает, камера сигнализирует об опасности.
Теперь клиенты получают ответы быстрее, а в команде уменьшилась текучка кадров, потому что сотрудникам больше не нужно делать рутинную работу.
3. Екатерина Батеева, Senior iOS Engineer, Авито
“Машинное обучение на мобильных устройствах”
Екатерина рассказала о задачах, которые решает машинное обучение в мобильной разработке: распознавание изображений, голоса, перевод голоса в текст и подбор шаблонного ответа.
Обычно для внедрения ML нужны: Data Scientist, дорогостоящее оборудование и сбор данных для моделей. Екатерина в своем докладе рассмотрела альтернативный способ внедрения ML, а именно инструменты и особенности библиотек, с помощью которых можно внедрить машинное обучение в iOS-проекты.
Центр развития технологических инноваций продолжает серию митапов GPB.Talks.
Предложить тему для следующего митапа: Адель Макашева, adel.makasheva@gazprombank.com
