Минимизация простоев на производстве. Простои из-за поломок, сбоев или нехватки сырья могут стоить заводу миллионы долларов. Машинное обучение помогает их предотвратить. 

Создание системы управления производством. С помощью датчиков и машинного обучения можно не только выполнять узкие задачи, например предотвращать поломки, но и управлять всем производством.

Выявление угроз безопасности. Машинное обучение помогает сделать производство безопаснее: выявлять незначительные изменения в работе оборудования и вовремя оповещать о возможной катастрофе.

Разведка новых месторождений. Одна из главных проблем нефтегазовой и горнодобывающей промышленности — сложность в обнаружении новых месторождений.

Оценка кредитоспособности. Обычно в банках кредитоспособность клиента оценивают менеджеры. Сотрудники тратят на оценку много времени и часто ошибаются — отклоняют кредиты тем, кто мог бы их платить, и выдают неплатежеспособным.
Алгоритм можно научить оценивать кредитоспособность клиентов банка. Для этого в него загружают информацию о ранее выданных кредитах: выплачены они или нет, были ли просрочки или досрочное погашение. Все это помогает банку автоматизировать выдачу кредитов.

Борьба с мошенничеством. Банки и их клиенты регулярно теряют деньги из-за мошеннических операций. Распознавать такие операции помогает машинное обучение — специальные алгоритмы учатся выявлять признаки мошеннических операций и вовремя их блокировать.
Примеры машинного обучения для предотвращения мошенничества есть у многих банков. Например, Сбербанк использует ИИ для блокировки подозрительных операций, а недавно поймал с его помощью мошенника. Danske Bank снизил процент ложных обвинений в мошенничестве на 60%.

Улучшение клиентского сервиса. Чем быстрее в клинике проходит процесс регистрации на прием, тем меньше очереди, удобнее работать врачам и лояльнее пациенты.
Сеть клиник «Инвитро» развернула систему распознавания лиц на базе облачной платформы VK Cloud (бывш. MCS). Как только пациент подходит к стойке, администратор видит на компьютере нужную карту и выдает направление в нужный кабинет. Это помогло избежать очередей в часы пик, упростить работу администраторов и обслуживать больше пациентов.

Диагностика заболеваний. Если загрузить данные осмотра и диагностики в программу, ее можно научить ставить диагнозы примерно так же, как это делают врачи.
Например, искусственный интеллект Corti прослушивает звонки в скорую помощь и распознает остановку сердца на основе ответов звонящих, их голоса и дыхания. В одном эксперименте программа распознала 93,1% остановок сердца, люди обычно распознают 72,9%. Кроме того, Corti работает быстрее — ставит диагноз за 48 секунд против 79 у диспетчеров-людей.

Автоматические роботизированные операции. Машинное обучение помогает учить медицинских роботов самостоятельно оперировать пациентов, учитывая множество факторов.
В Калифорнийском университете роботу «показали» 78 фильмов об операциях, чтобы научить его накладывать швы. Благодаря такому обучению робот смог зашивать поддельные раны, правда, с точностью около 85% — для реальной работы этого пока недостаточно. Возможно, в будущем таких роботов можно будет использовать для автоматизации некоторых операций.

Прогнозирование действий покупателей, персонализированные предложения и реклама. Обученный алгоритм может предсказывать поведение клиентов:

• определять, кто в ближайшее время совершит покупку;
• понимать, кто какие товары предпочитает, чтобы их рекомендовать;
• предлагать персонализированные скидки, чтобы стимулировать покупки.

Например, сеть косметических магазинов «Рив Гош» использует машинное обучение, чтобы рассылать клиентам персональные предложения. Программа определяет, кто из покупателей может совершить покупку в ближайшие две недели, какие товары им лучше предложить и на что выдать скидку. У покупателей, с которыми работала система, средний чек выше на 42%, а повторные обращения за покупками составили 47%.

Прогнозирование спроса и автоматизация закупок. Машинное обучение помогает анализировать действия покупателей и товарные остатки, чтобы понять, что, когда и в каких количествах закупить.

Британская сеть супермаркетов Morrisons использует машинное обучение, чтобы предсказывать, какие товары и когда будут покупать. Система учитывает множество факторов, например, праздники и погоду. В итоге сети удалось на 30% сократить разрывы в поставках.

Экономия топлива и повышение производительности транспорта. Топливо — одна из главных статей расходов в логистике. С помощью машинного обучения можно сократить его расход: оптимизировать маршруты или понять, как сократить количество автомобилей, сохранив производительность.
Морское подразделение компании Caterpillar внедрило машинное обучение, чтобы экономить ресурсы. Компания установила датчики на оборудование кораблей и выяснила: большее количество генераторов на меньшей мощности работают эффективнее, чем максимальное использование нескольких генераторов. Это решение сэкономило за год более 650 тысяч долларов.

Предотвращение сбоев в поставках. Задержка даже одного транспортного средства приводит к сбою во всей цепочке поставок: простоям, потере денег и недовольству клиентов. Машинное обучение помогает этого избежать: предсказывает риски, помогает вовремя их предотвращать и корректировать время доставки с учетом всех факторов.