www.tres.pl - Baza wiedzy Trawers ERP - Spis treści
Trawers. Uczenie maszynowe 1. Uczenie maszynowe. Opis ogólny Samo-uczenie się maszyn ChatGPT 2. Algorytmy 3. Uczenie maszynowe a Trawers ERP 3.1 Centralne źródło danych 3.2 Metadane w bazie wiedzy 4. Kierunki rozwoju 5. Uczenie maszynowe vs AI 6. Tematy powiązane 1. Uczenie maszynowe. Opis ogólny Sam-uczenie się maszyn Uczenie maszynowe (en: ML Machine Learning, de: Maschinelles Lernen), inaczej: samo-uczenie się maszyn, systemy uczące się, to obszar tzw. sztucznej inteligencji. Istota samouczenia się maszyn polega na tym, że systemy informatyczne rozpoznają w dostępnych danych zależności, wzorce i reguły i na tej podstawie potrafią samodzielnie znajdować rozwiązania zadanych problemów. Np. usprawniają prognozy zjawisk i dają trafniejsze propozycje decyzji. Inaczej: systemy poprawiają się automatycznie poprzez doświadczenie. Im więcej danych, tym trafniejsze wyniki przetwarzania. Machine learning algorithms are programs (math and logic) that adjust themselves to perform better as they are exposed to more data. Celem jest 'nauczanie' komputerów do 'uczenia się' na podstawie danych. Zamiast wykonywać precyzyjne zaprogramowane obliczenia. ChatGPT Patrz też: ChatGPT ChatGPT zapamiętuje pytania. Odpowiedzi na kolejne pytania mogą wynikać z kontekstu pytań poprzednich. Np. znaczących słów (kluczowych) użytych w dotychczasowych pytaniach. ChaGPT 'uczy się' ChatGPT. Chatbot. Opis ogólny 2. Algorytmy Uczenie maszynowe wykorzystuje różne techniki algorytmiczne. Wg: https://www.simplilearn.com/10-algorithms-machine-learning-engineers-need-to-know-article najczęściej stosuje sią następujące algorytmy: Linear regression Logistic regression Decision tree SVM algorithm Naive Bayes algorithm KNN algorithm K-means Random forest algorithm Dimensionality reduction algorithms Gradient boosting algorithm and AdaBoosting algorithm 3. Uczenie maszynowe a Trawers ERP 3.1 Centralne źródło danych Trawers ERP stanowi centralne źródło danych dla wielu różnych procesów w przedsiębiorstwie. Zapewnia jednolite standardy gromadzenia i przechowywania informacji. Zgromadzone i zwiększające się bazy danych, są naturalnym środowiskiem dla zastosowania algorytmów uczących się. Aby usprawniać analizy i prognozy, dostarczać trafniejszych propozycji decyzji. Już obecnie w programie Trawers ERP zastosowano szereg algorytmów, których jakość, trafność i użyteczność zwiększa się, w miarę jak przybywa informacji w bazie danych. Np. sugerowanie (podpowiadanie) kupującym artykułów uzupełniających (komplementarnych), np. wałki malarskie przy zakupie farby. Skuteczność takich działań jest tym większa, im więcej klient zrobił podobnych zakupów w poprzednim czasie. Co zanotowano w bazie danych, a odpowiednie algorytmy ujawniły i podpowiedziały podczas transakcji. 3.2 Metadane w bazie wiedzy Metadane, to dane o danych. Cel podstawowy: ułatwienie użytkownikom wyszukanie konkretnych informacji oraz ustalenie źródeł tych informacji. BazaWiedzy Trawers ERP i teksty komunikacji z użytkownikiem (interfejs) zawiera metadane, np. KSOM, Należności, Nadpłaty, KIM, PTU/VAT, EDI, itp. Niektóre metadane dodatkowo zidentyfikowano jako: #Hashtagi (Słowa kluczowe) Teksty w bazie wiedzy zawierają metadane. Narzędzia AI (chatboty, uczenie maszynowe) opierają się na czystych, dobrze zorganizowanych danych w celu zapewnienia dokładnych wyników (rely on clean, well-organized data for accurate training and results). Metadane wspierają ten proces poprzez etykietowanie i kategoryzację danych, co pomaga modelom w uczeniu się i zapewnia niezbędny kontekst dla zrozumienia zjawiska (sytuacji, en: insight). 4. Kierunki rozwoju * Wprowadzanie do programu kolejnych algorytmów ML Szczególnie w obszarze analiz, prognozowania i wspomagania decyzji * (opcja) Zintegrowanie Trawers ERP z zewnętrznym programem (aplikacją w chmurze) wyspecjalizowaną w zastosowaniu algorytmów ML * Włączenie do algorytmów ML wszystkich danych cyfrowych używanych w przedsiębiorstwach, niezależnie od tego czy są bezpośrednio w bazie programu Trawers ERP. Uczenie maszynowe powinno obejmować całą firmę, wszystkie informacje. Aby uzyskać wyniki najbardziej trafne, z punktu widzenia przedsiębiorstwa, w celu uzyskania dostatecznej przewagi konkurencyjnej. 5. Uczenie maszynowe vs AI Teza: Tradycyjne uczenie maszynowe zapewnia bardzo dużą skuteczność w przewidywaniu problemów, natomiast generatywna sztuczna inteligencja ułatwia projektowanie rozwiązań. Rozwinięcie: Cele, zastosowania, ograniczenia 1. Tradycyjne uczenie maszynowe - przewidywanie problemów Tradycyjne uczenie maszynowe (ang. *machine learning*, ML) to podejście polegające na analizie danych w celu znalezienia wzorców, które pozwalają przewidywać przyszłe zdarzenia lub klasyfikować dane wejściowe. Przykłady: * Modele regresyjne przewidujące awarie maszyn. * Klasyfikatory wykrywające oszustwa transakcyjne. * Systemy detekcji anomalii w danych produkcyjnych. Dlaczego skuteczne w przewidywaniu problemów? * ML opiera się na danych historycznych i statystycznych, co pozwala z dużą precyzją identyfikować sytuacje, które już występowały (np. błędy, usterki, anomalie). * Modele są w stanie analizować ogromne ilości zmiennych jednocześnie, wyłapując subtelne korelacje niedostrzegalne dla człowieka. * Po odpowiednim wytrenowaniu mogą działać w czasie rzeczywistym, ostrzegając zanim wystąpi realny problem. 2. Generatywna sztuczna inteligencja - projektowanie rozwiązań Generatywna AI (ang. *Generative AI*, np. modele takie jak GPT-4) to systemy, które potrafią tworzyć nowe treści: tekst, kod, obrazy, muzykę, a nawet rozwiązania koncepcyjne na podstawie kontekstu i przykładów. Przykłady zastosowań: * Tworzenie propozycji procedur naprawczych dla wykrytych błędów. * Generowanie kodu rozwiązującego określony problem techniczny. * Projektowanie szablonów dokumentów, strategii, raportów. * Wspomaganie kreatywnego myślenia przy rozwiązywaniu problemów organizacyjnych. Dlaczego ułatwia projektowanie rozwiązań? * Działa na zasadzie kreatywnego łączenia danych, wiedzy i języka. * Może zaproponować kilka alternatywnych podejść, pozostawiając wybór użytkownikowi. * Wspiera proces twórczy nawet w nieustrukturyzowanych lub słabo zdefiniowanych zadaniach. * Zdolna do uogólniania wiedzy z różnych dziedzin i adaptowania jej do konkretnych przypadków. 3. Podsumowanie - komplementarność podejść | Cecha | Tradycyjne ML | Generatywna AI | | -------------- | ------------------------------------------------| --------------------------------------| | Główna funkcja | Przewidywanie | Generowanie | | Typ danych | Liczbowe, strukturalne | Tekstowe, obrazy, kod | | Cel | Wczesne wykrywanie problemów | Tworzenie rozwiązań | | Przykład | Ta maszyna prawdopodobnie się zepsuje z 3 dni | Instrukcja krok po kroku jak naprawić | Oba podejścia są komplementarne: ML identyfikuje problem, a generatywna AI wspiera jego rozwiązanie. 6. Tematy powiązane Przedsiębiorstwo cyfrowe Procesy automatyczne ChatGPT. Chatbot. Opis ogólny Raporty i analizy Wymiana danych z innymi programami Raportowanie automatyczne Słowa kluczowe #TrawersERP-BazaWiedzy #TrawersERP-Komponenty #Admin-Automatyzacja #Pomoc-ChatGPT #ChatGPT-TrawersERP #Pomoc-BazaWiedzy #Pomoc-AsystentAI
www.tres.pl - Baza wiedzy Trawers ERP - Spis treści