著名公司如何使用机器学习

机器学习已成为未来的技术！一些人认为这项技术将终结世界。另一些人则认为它可以让我们的生活更轻松。毫不奇怪，几乎所有公司都利用这项技术来吸引客户并提供个性化的客户体验。在过去的四年中，采用机器学习的公司数量增加了 270%。

大型科技公司更容易投资机器学习或人工智能。本教程将重点介绍 Google 和 Pinterest 等公司使用机器学习的有趣方式。让我们来看看这些公司以及它们在机器学习中使用的不同方法。

Google

与其问“哪些 Google 应用使用了机器学习？”，不如问“有没有 Google 应用不使用机器学习？”答案可能是否定的！Google 在机器学习研究上投入了大量资金，并计划最终将其集成到所有产品中。Google 的旗舰产品 Google 搜索和 Google 翻译目前都在使用机器学习。

Google 搜索使用 RankBrain，它是一个深度神经网络，有助于提供相关的搜索结果。RankBrain 使用智能猜测来判断我们的搜索是否是针对“蒂姆·库克”，以及 Google 搜索中是否有独特的词语或短语。然而，Google 翻译分析了数百万份文档，能够识别最常见的模式和词汇。Google 相册使用图像识别。

Google 相册使用图像识别。Google 相册利用深度学习对数以百万计的在线图片进行排序，以更好地对其进行分类。Google 助手使用图像识别和自然语言处理，这使其能够多才多艺并回答我们的问题。

Facebook

如果我们想看朋友、关注名人或看猫咪照片，就应该去 Facebook。Facebook 拥有 24.1 亿月活跃用户！机器学习是实现这种受欢迎程度的唯一途径。Facebook 在其新闻推送的各个方面都使用了机器学习，包括定向广告。

Facebook 利用面部识别来识别我们的朋友并建议他们的名字。机器学习系统分析图像的像素，为每个面部生成独特的模板。面部指纹可用于识别面部并建议标签。

Facebook 上的定向广告使用深度神经网络来分析我们的位置、年龄、性别、页面点赞和兴趣，以识别用户并向这些群体展示定向广告。Facebook 现在使用聊天机器人来提供类似人类的客户服务交互。这些聊天机器人使用机器学习和自然语言处理与用户交互，看起来几乎和人类一样。

Twitter

Twitter 是寻找有趣推文、智能辩论等的最佳场所！Twitter 是了解当前政治、全球变暖危险以及名人睿智评论的最佳场所。猜猜所有这些推文是如何管理的？答案是机器学习！

Twitter 使用机器学习算法来组织我们的推文。根据我们的喜好以及来自家人和朋友的推文将获得更高的优先级，并出现在我们的动态中。获得大量转发或点赞的推文将有更高的机会被注意到。这些推文可以在“以防万一你错过了”类别中找到。推文以前是按时间倒序排列的。这是有些人希望恢复的。Twitter 目前使用 IBM Watson 的自然语言处理功能来查找和删除辱骂性推文。

Twitter 使用深度学习来确定实时动态中发生的事情。这是通过使用标签训练神经网络来识别视频中的图像来实现的。假设我们添加了“小狗”、“动物”、“贵宾犬”、“哈士奇”等标签。该算法将识别我们视频中的狗，并利用该信息识别我们视频中的其他狗。

Baidu

百度——中国的 Google！虽然可能并非如此，但百度是与 Google 最常比较的中国搜索引擎。像 Google 一样，它在百度的许多应用程序中都使用了机器学习，例如百度搜索以及百度的语音助手 DuerOS。类似 Alexa 的小鱼在家机器人也得到了使用。

服务。百度搜索引擎是主要焦点，因为 75% 的中国人使用它。机器学习算法（HMLA）用于图像识别和语音识别。这使得提供最佳（也更智能！）服务成为可能。百度还在自然语言处理方面进行了重大投资。这在 DuerOS 中很明显。

DuerOS 是百度的语音助手，它利用自然语言处理、图像和语音识别来构建一个智能系统，该系统能够进行完整的对话，听起来像人类一样。语音助手利用机器学习来理解人类语音的复杂性，并完美地复制它。百度的自然语言处理专业知识也应用于小鱼在家机器人，类似于 Alexa 但有所不同。它可以转动头部以“听”来自另一个方向的声音，然后做出相应的回应。

Pinterest

用户可能听说过 Pinterest，无论是经常使用还是初学者。Pinterest 允许我们收藏感兴趣的图片、视频和 GIF。由于此应用程序依赖于从互联网保存图片，因此其最重要的功能是识别图片是很有道理的。

机器学习是答案！Pinterest 使用图像识别算法来识别我们收藏的图像中的模式，以便在我们搜索时显示相似的图像。想象一下我们收藏了一件绿色衬衫。我们将能够通过图像识别查看类似绿色衬衫的图片。Pinterest 不能保证这些绿色衬衫会很时尚！

Pinterest 根据我们的收藏历史提供更个性化的推荐。这与用于社交网络应用的机器学习算法不同，后者还考虑了我们的年龄、性别和朋友。

高乐氏

高乐氏（Clorox）在生成式人工智能和机器学习方面投入了大量精力，以优化从产品开发到营销的流程。通过一项耗资 5.8 亿美元的数字化转型计划，它应用机器学习来解释消费者行为、预测趋势并提出新产品概念。一个突出的例子是应用人工智能制作的广告创意，例如听起来很有吸引力的产品名称和广告中的图片。他们还有机器学习模型，用于识别反馈和产品性能模式，从而改进研究和营销周期。尽管人工验证是标准要求，但这种基于人工智能的应用变得更便宜、更省时。

Moveworks

Moveworks 提供由人工智能驱动的企业聊天机器人，通过自然语言理解（NLU）和概率机器学习来解决 IT 和 HR 问题。聊天机器人可以编程连接 Slack、Teams 和 ServiceNow 等通信工具，自动处理员工高达 80% 的支持问题，包括密码重置、软件访问或账户问题。Moveworks 相对于竞争对手的优势在于，它可以理解多种语言的对话语境，并适用于国际团队。渐渐地，他们的机器学习系统随着使用而演进，了解公司特定的术语及其工作流程，并能更准确地解决更多公司的问题。财富 500 强公司采用它来提高员工生产力，同时最大限度地减少帮助台的工作量。

Owkin

Owkin 是一家生物技术初创公司，利用机器学习和联邦学习来改变药物发现和患者诊断。他们处理分布式医院的数据，根据他们的模型揭示治疗生物标志物，但无需传输敏感的患者数据，因此遵循了隐私法规。在肿瘤学领域，Owkin 模型用于确定治疗对每个患者的效果，并可用于优化临床试验。Owkin 使医院能够安全地在其去中心化机器学习平台上合作。制药公司具有加速研发和降低成本的优势。通过在生物信息学和精准医学中实施机器学习，Owkin 将发现传统分析可能忽略的模式，这将使治疗方案更加精确和个性化。

Cohere

Cohere 开发了针对金融、医疗保健和法律技术等行业的特定大型语言模型 (LLM)。他们能够通过其模型描述长文本、增强智能搜索引擎并推进对话式人工智能。Cohere 与 SAP、Oracle 和 McKinsey 等公司合作，将安全的、公司特定的 LLM 与企业流程集成；以银行为例，Cohere 开发的模型有助于自动化客户支持流程并提取文档。它们在医疗保健领域用于创建患者报告和记录医患互动。它们关注数据隐私、本地部署和多语言支持，这使得它们的用例很常见。

Applied Intuition

Applied Intuition 是一家开发模拟平台和机器学习工具链以开发自动驾驶汽车的公司。他们提供的工具使保时捷、丰田和五十铃等原始设备制造商 (OEM) 能够在合成环境中训练和验证自动驾驶系统。为了提高真实世界的安全性，训练模拟器机器学习模型模仿了极端情况和罕见的驾驶场景。他们还在其车辆操作系统中提供传感器实时集成和决策模型部署。收购 Embark Trucks 和 SceneBox 提高了 Applied Intuition 的数据标注性能和 L4 自动化能力。他们现在还涵盖军事级车辆系统和无人地面运输。该公司在加速自动驾驶开发流程和降低实际路测成本方面发挥着关键作用。

Qloo

Qloo 是一种文化人工智能，它应用机器学习将个人偏好与音乐、食物、时尚和旅行相关联。它使用以前的行为预测你接下来会喜欢什么——无论类别是什么。如果你想要某个特定导演的电影，Qloo 可能会推荐类似的餐厅和跨领域信息。Qloo 使品牌能够在产品推荐、播放列表甚至店内体验方面实现个性化。Netflix、星巴克和好时公司等大型企业使用 Qloo 的推荐 API 来为特定客户群体定制其产品和服务。它已将其机器学习引擎应用于匿名的生活方式数据，因此它尊重隐私，但在消费者个性化方面极具洞察力。

英伟达

H100 和 B200 属于 GPU，英伟达通过它们成为前沿机器的硬件基础设施，例如驱动生成式人工智能、自主系统等。其针对机器学习优化的设计使其能够更快地训练模型、降低能耗并在数据中心之间更好地扩展。由于 CUDA 平台和 TensorRT，英伟达进入的行业，如机器人、金融、医疗影像和大型语言模型，都能够快速训练深度学习模型并进行部署。到 2025 年，英伟达制造的芯片还将集成到超级计算机、云服务以及人工智能边缘设备中。由此产生的机器学习硬件方面的成就使其成为一个令人振奋的 4 万亿美元实体，并成为全球人工智能热潮的战略支持。

Anthropic、Scale AI、Hugging Face

这些人工智能优先的公司正在改变机器学习的开发方式和可访问性。Anthropic 开发了 Claude，一个与 GPT 竞争的产品，它经过优化，能够更安全地思考。Scale AI 提供带标签的数据集和数据基础设施，以帮助企业训练可信赖的模型。Hugging Face 托管开源 Transformer 模型和工具，并使自然语言处理/大型语言模型开发民主化。它们提供协作式人工智能构建平台，具有微调、托管和合规性功能。总而言之，它们提供了管道、模型和基础设施，使开发人员和企业能够快速安全地扩展机器学习——同时支持云端和离线部署。

AWS、Google Cloud、Azure (机器学习平台)

这些大型云服务提供商提供端到端机器学习平台，如 Amazon SageMaker、Google Vertex AI 和 Azure ML，它们允许企业大规模开发、部署和管理模型。这些平台提供数据标注机制、自动化模型调优、模型托管和监控。企业使用它们来寻找检测欺诈、预测性维护、客户流失和推荐的方法。可扩展性、集成和安全性仍然是它们的首要任务，甚至非技术企业也可以通过它们使用机器学习。它们已开发的现成算法和 AutoML 可以缩短上市时间，并支持企业范围内的持续学习。

咨询公司：UST 和 Credera

在机器学习的帮助下，UST 和 Credera 正在解决企业中的问题，例如客户流失、预测分析、供应链优化和数字营销。UST 设计量身定制的机器学习模型，并将其与实时业务仪表板相结合。Credera 是 MLOps 领域的专家——确保机器学习部署在每个行业中都可靠和安全。这些公司正在将人工智能集成到其数字化转型解决方案中，以便公司能够现代化其流程、预测需求并个性化用户体验。他们与 AWS、Microsoft 和 Databricks 的合作使他们能够为医疗保健、金融和零售领域提供可扩展的机器学习解决方案。

拜耳公司

AWS SageMaker 正在助力拜耳公司的数字黄盘，这是一个物联网害虫检测系统。该系统利用识别虫害的图像模型，并使用云基础设施实时向农民发出虫害警报。通过分析诱捕图像和天气条件，拜耳公司预计通过校准农药喷洒和作物保护，大幅改善害虫防治干预措施。他们通过实施机器学习将基础设施成本降低了约 94%，并且每秒可以支持数万次请求。该项目凸显了机器学习如何彻底改变普通农业，使其成为一门智能和数据导向的学科。

罗氏

制药巨头罗氏已采用机器学习加速药物发现。他们的机器学习平台解决了同时整合临床试验通用研究和分子模拟数据以预测未来候选药物的问题。基于人工智能的方法有助于将初步筛选时间缩短约 50%，并降低成本。罗氏不再通过传统实验主导其计划，而是利用人工智能筛选出更多化合物，以便人类研究人员可以继续研究最可行的化合物。结果是：加速了治疗的开发，并提高了将候选药物推向临床试验的成功率。

波音公司

波音公司通过机器学习解决了装配过程中的实时缺陷检测问题。安装在生产线上的高分辨率摄像头将数据传输到机器学习模型中，以识别车轮缺陷、油漆问题和对齐问题，其中许多问题肉眼无法看到。通过将制造缺陷减少 30% 以上，波音公司提高了整体客机安全性，并降低了返工和保修相关成本。机器学习的视觉质量控制还缩短了装配时间，提高了生产率，同时不影响行业所需的安全性水平。

HSBC

汇丰银行利用机器学习来改进反洗钱 (AML) 检测。他们的人工智能系统实时审查数百万笔交易，检测出涉嫌金融犯罪的可疑行为。汇丰银行的机器学习模型通过结合交易频率模式、账户元数据和全球风险指标，将误报率降低了约 20%。这种优化真正节省了调查时间，最大限度地降低了运营费用，并提高了对国际法规的遵守。汇丰银行基于人工智能的反洗钱策略是与当前金融机构打击洗钱和欺诈行为相关的解决方案。

Tesla

特斯拉在基于机器学习的自动驾驶方面处于领先地位。他们的 Autopilot 和全自动驾驶系统都基于深度神经网络，这些网络通过大量的真实世界驾驶数据进行训练。特斯拉的感知堆栈融合了摄像头、雷达、超声波传感器和 GPS，提供车道保持、交通感知巡航控制和视觉物体检测功能。特斯拉通过应用车队学习等技术实时完善模型，即车辆持续收集和标注数据。这种基于机器学习的模型提供了一个机会，使每次软件更新都能更安全地驾驶，并使其整个车队拥有更高的自主性。