Читать фрагмент

книга

Искусственный интеллект на предприятии

В книге подробно рассказано, как можно улучшить бизнес-процессы компании с помощью методов искусственного интеллекта, а также использовать их в сочетании с традиционными подходами к аналитике и оптимизации. Рассмотрены основные концепции автоматизации принятия корпоративных решений, глубокого обучения, генеративного искусственного интеллекта и методов обучения с подкреплением; описаны прикладные рецепты для клиентской аналитики и персонализации, а также методы прогнозирования спроса, оптимизации цен и управления запасами; приведены решения для обнаружения аномалий и визуального контроля, помогающие улучшить производственные и транспортные операции.В репозитории GitHub доступны прототипы кода на Python, помогающие понять детали реализации.Издание адресовано специалистам по корпоративным данным, аналитикам, а также будет полезно руководителям предприятий: директорам по производству (COO), маркетингу (CMO), информатизации (CIO) и др.

Форматы: PDF

Издательство: ДМК Пресс

Год: 2024

Место издания: Москва

ISBN: 978-5-93700-277-8

Страниц: 712

Артикул: 111651

Возрастная маркировка: 16+

Электронная книга

2499 ₽

Купить и скачать

Содержание

Содержание книги "Искусственный интеллект на предприятии : теория и практика для маркетинга, управления поставками и производством"

От издательства

Предисловие

Часть I. БАЗОВЫЕ КОМПОНЕНТЫ

1 Автоматизация решений и процессов в деятельности предприятия

1.1 Методика сценарного планирования

1.1.1. Стратегия: предприятие в целом

1.1.2 Тактика: подразделения, услуги и продукты

1.1.3 Реализация: клиенты, устройства, транзакции и интерфейсы

1.2 Возможности моделирования

1.3 Внедрение базовых моделей и AutoML

1.4 Краткие итоги главы

2 Прогнозные модели

2.1 Обзор с точки зрения системной инженерии

2.1.1 Семантические представления

2.1.2 Прогнозные модели

2.1.3 Генеративные модели

2.1.4 Модели управления

2.2 Метод максимального правдоподобия

2.2.1 Оценка правдоподобия

2.2.2 Оценка условного правдоподобия

2.2.3 Максимизация правдоподобия с использованием градиентного спуска

2.3 Модели с векторными входами

2.3.1 Линейный слой

2.3.2 Нелинейные слои

2.3.3 Остаточные блоки и обходные связи

2.3.4 Слои оценки распределения

2.3.5 Слои выборки

2.3.6 Слой встраивания с перекодировкой

2.3.7 Слои взаимодействия

2.3.8 Многоголовые и многобашенные архитектуры

2.4 Модели с последовательными входами

2.4.1 Проблемы моделирования последовательностей

2.4.2 Метод скользящего окна

2.4.3 Слой свертки

2.4.4 Рекуррентный слой

2.4.5 Слой долгой краткосрочной памяти

2.4.6 Механизм внимания

2.4.7 Слой трансформера

2.5 Модели с многомерными входными данными

2.5.1 Операция 2D-свертки

2.5.2 Слой двухмерной свертки

2.5.3 Слой двухмерной повышающей свертки

2.5.4 Глубокие двухмерные сверточные сети

2.5.5 Слой двухмерного трансформера

2.6 Модели обучения представлению

2.6.1 Функции потерь для изучения представлений с учителем

2.6.2 Автокодировщики

2.6.3 Представление элементов

2.7 Модели с графовыми входными данными

2.7.1 Задачи графового машинного обучения

2.7.2 Изучение представлений узлов

2.7.3 Графовые нейронные сети

2.8 Корректность модели

2.8.1 Несбалансированные данные

2.8.2 Данные наблюдений

2.9 Базовые модели

2.9.1 Стратегии предварительного обучения

2.9.2 Стратегии переноса обучения

2.9.3 Методы тонкой настройки

2.10 Краткие итоги главы

3 Генеративные модели

3.1 Регуляризация семантического пространства

3.2 Вариационный автокодировщик

3.2.1 Модели со скрытыми переменными и их оценка

3.2.2 Масштабируемая оценка модели с использованием ELBO

3.2.3 Предположения о нормальности

3.2.4 Сеть вариационного автокодировщика

3.2.5 Ограничения базового VAE

3.2.6 Условный вариационный автокодировщик

3.2.7 Иерархический вариационный автокодировщик

3.3 Вероятностные диффузионные модели шумоподавления

3.3.1 Прямой процесс

3.3.2 Обратный процесс

3.3.3 Обучение

3.3.4 Извлечение выборки

3.3.5 Условные диффузионные модели

3.4 Большие языковые модели

3.4.1 Языковое моделирование

3.4.2 Базовые языковые модели

3.4.3 Масштабирование архитектуры моделей

3.4.4 Свойства больших языковых моделей

3.4.5 Тонкая настройка с помощью инструкций

3.4.6 Цепные вызовы моделей

3.5 Краткие итоги главы

4 Управляющие модели

4.1 Основные методы принятия решений

4.2 Обучение на основе взаимодействия

4.3 Обучение с подкреплением и стохастический бандит

4.3.1 Жадные стратегии

4.3.2 Стратегия верхней доверительной границы

4.3.3 Выборка Томпсона

4.3.4 Нестационарные среды

4.4 Обучение с подкреплением: общий случай

4.4.1 Марковский процесс принятия решений

4.4.2 Стратегии и функции ценности

4.4.3 Оптимизация стратегии с помощью динамического программирования

4.4.4 Методы на основе ценности

4.4.5 Методы на основе стратегий

4.4.6 Комбинированные методы

4.5 Контрфактическая оценка стратегии

4.5.1 Выборка по важности

4.5.2 Выборка с отклонением действий

4.6 Краткие итоги главы

Часть II. АНАЛИЗ КЛИЕНТСКОЙ БАЗЫ

R1 Моделирование склонности

R1.1 Бизнес-задача

R1.1.1 Оценивание склонности

R1.1.2 Атрибуция событий

R1.2 Варианты решения

R1.3 Модели с агрегированными признаками

R1.4 Моделирование последовательности событий

R1.4.1 Оценивание склонности

R1.4.2 Атрибуция событий

R1.5 Прототип

R1.6 Пример

R1.7 Расширения и варианты

R1.7.1 Расширенные последовательные модели

R1.7.2 Сверточные модели

R1.7.3 Конструирование целевой метки

R1.7.4 Практическое применение

R1.8 Краткие итоги главы

R2 Изучение признаков клиента

R2.1 Бизнес-задача

R2.2 Варианты решения

R2.3 Обучение на последовательностях событий

R2.3.1 Изучение встраиваний товара

R2.3.2 Совмещение поведенческих и контентных признаков

R2.3.3 Изучение встраиваний клиентов

R2.3.4 Изучение встраиваний по данным из журналов

R2.4 Обучение на графах, тексте и изображениях

R2.5 Методы обучения с частичным привлечением учителя

R2.6 Методы на основе автокодировщика

R2.7 Прототип

R2.8 Пример

R2.9 Краткие итоги главы

R3 Динамическая персонализация

R3.1 Бизнес-задача

R3.2 Варианты решения

R3.3 Контекстно-свободные рекомендации

R3.4 Контекстные рекомендации

R3.4.1 UCB с теплым стартом

R3.4.2 Алгоритм LinUCB

R3.5 Оценка и бутстрэппинг

R3.6 Прототип

R3.7 Краткие итоги главы

R4 Следующее наилучшее действие

R4.1 Бизнес-задача

R4.1.1 Разработка целей и вознаграждений

R4.1.2 Разработка действий

R4.1.3 Моделирование и экспериментирование

R4.2 Варианты решения

R4.3 Расширенный подход к оцениванию

R4.4 Условные склонности

R4.5 Обучение с подкреплением

R4.6 Прототип

R4.7 Пример

R.4.7.1 Бизнес-задача

R.4.7.2 Архитектура решения

R.4.7.3 Алгоритмы

R.4.7.4 Схема действий, состояний и вознаграждений

R4.8 Краткие итоги главы

Часть III. РАБОТА С КОНТЕНТОМ

R5 Визуальный поиск

R5.1 Бизнес-задача

R5.2 Варианты решения

R5.3 Поиск по стилю изображения

R5.3.1 Встраивание стилей

R5.3.2 Прототип

R5.4 Поиск в пользовательском семантическом пространстве

R5.4.1 Встраивания и атрибуты пользовательских изображений

R5.4.2 Прототип

R5.5 Обучение встраиванию без учителя

R5.6 Локализация и сегментация объектов

R5.6.1 Семантическая сегментация

R5.6.2 Прототип

R5.7 Краткие итоги главы

R6 Служба рекомендации товаров

R6.1 Бизнес-задача

R6.1.1 Общий обзор среды

R6.1.2 Варианты среды

R6.1.3 Метрики оценки и оптимизации

R6.2 Варианты решения

R6.2.1 Архитектура службы

R6.2.2 Архитектура модели

R6.3 Модели прогнозирования отклика

R6.3.1 Базовая реализация метода факторизации

R6.3.2 Нейронная совместная фильтрация

R6.3.3 Практический пример

R6.4 Модели прогнозирования взаимодействия

R6.5 Модели последовательностей

R6.5.1 Трансформер поведенческой последовательности

R6.5.2 Практический пример

R6.6 Графовые модели

R6.6.1 Практический пример: рекомендации c помощью Node2Vec

R6.6.2 Рекомендации с помощью GNN

R6.7 Варианты и дополнения

R6.8 Краткие итоги главы

R7 Управление знаниями

R7.1 Бизнес-задача

R7.2 Варианты решения

R7.3 Предварительная обработка данных

R7.3.1 Обнаружение атрибутов

R7.3.2 Извлечение атрибутов

R7.3.3 Гармонизация атрибутов

R7.4 Запрос структурированных данных

R7.5 Запрос неструктурированных данных

R7.5.1 Запрос с использованием одного промпта

R7.5.2 Запрос с использованием Map-Reduce

R7.5.3 Генерация ответа с дополненным поиском

R7.5.4 Диалоговый поиск

R7.5.5 Агенты

R7.6 Безопасность и конфиденциальность данных

R7.7 Оценка качества

R7.7.1 Предварительная обработка данных

R7.7.2 Запрос структурированных данных

R7.7.3 Запрос неструктурированных данных

R7.8 Краткие итоги главы

R8 Синтетический медиаконтент

R8.1 Бизнес-задача

R8.2 Варианты решения

R8.3 Модели синтеза изображений по языковому описанию

R8.3.1 Модель CLIP

R8.3.2 Прототип

R8.4 Генеративные модели преобразования текста в изображение

R8.4.1 Диффузионные модели шумоподавления для изображений

R8.4.2 Диффузионные модели со скрытым пространством

R8.5 Продвинутые механизмы обусловливания

R8.6 Краткие итоги главы

Часть IV. УПРАВЛЕНИЕ ДОХОДАМИ И ЗАПАСАМИ

R9 Прогнозирование спроса

R9.1 Бизнес-задача

R9.1.1 Операционная среда

R9.1.2 Модели спроса

R9.1.3 Задачи

R9.1.4 Приложения

R9.1.5 Метрики оценки

R9.2 Варианты решения

R9.3 Модели пространства состояний

R9.3.1 Простое экспоненциальное сглаживание

R9.3.2 Двойное экспоненциальное сглаживание

R9.3.3 Тройное экспоненциальное сглаживание

R9.3.4 Декомпозиция

R9.3.5 Вероятностный прогноз

R9.4 Регрессия временных рядов

R9.4.1 Вероятностный прогноз

R9.4.2 Область охвата модели

R9.4.3 Множественные горизонты прогнозирования

R9.4.4 Календарные признаки

R9.4.5 Лаговые признаки

R9.4.6 Признаки продукта

R9.4.7 Ценовые признаки

R9.4.8 Практический пример

R9.5 Mодели последовательностей

R9.5.1 Модель DeepAR

R9.5.2 Практический пример

R9.6 Составные модели

R9.6.1 Модель NeuralProphet

R9.6.2 Практический пример

R9.7 Иерархические модели

R9.7.1 Иерархический временной ряд

R9.7.2 Иерархическое прогнозирование с помощью согласования

R9.7.3 Иерархическое прогнозирование с помощью DeepVAR

R9.8 Методы подстановки в анализе спроса

R9.8.1 Устранение ограничений спроса

R9.8.2 Анализ сходства продуктов

R9.9 Дополнения и варианты

R9.9.1 Причинные эффекты

R9.9.2 Устранение последствий потрясений

R9.10 Краткое содержание главы

R10 Оптимизация цены и продвижения

R10.1 Бизнес-задача

R10.1.1 Процесс управления ценами

R10.1.2 Модель дохода

R10.1.3 Стратегический анализ

R10.1.4 Планирование и оценка

R10.1.5 Выполнение плана ценообразования

R10.1.6 Измерение результатов

R10.2 Варианты решения

R10.3 Дифференциация ценовой стратегии

R10.3.1 Дифференциация ценовой стратегии по продуктам

R10.3.2 Дифференциация ценовой стратегии по клиентам

R10.4 Моделирование реакции рынка

R10.4.1 Линейная модель

R10.4.2 Модель постоянной эластичности

R10.4.3 Моделирование перекрестных эффектов

R10.4.4 Модели реакции, зависящие от времени

R10.5 Оптимизация с использованием математического программирования

R10.5.1 Несколько продуктов

R10.5.2 Несколько временных интервалов

R10.5.3 Оптимизация в условиях неопределенности

R10.6 Оптимизация с использованием обучения с подкреплением

R10.6.1 Обоснование потребности в решателе

R10.6.2 Прототип

R10.7 Расширения и варианты

R10.7.1 Розничная торговля

R10.7.2 Потребительские услуги

R10.7.3 Производство потребительских товаров

R10.7.4 Промышленные товары и услуги

R10.8 Краткие итоги главы

R11 Динамическое ценообразование

R11.1 Бизнес-задача

R11.2 Варианты решения

R11.3 Ограниченное ценовое экспериментирование

R11.3.1 Разработка решения

R11.3.2 Прототип

R11.4 Непрерывное экспериментирование

R11.4.1 Разработка решения

R11.4.2 Прототип

R11.5.1 Варианты и расширения

R11.5.1 Байесовские модели спроса

R11.5.2 Несколько продуктов и ограниченные запасы

R11.6 Краткие итоги главы

R12 Оптимизация складских запасов

R12.1 Бизнес-задача

R12.1.1 Запасы в контексте производственных процессов

R12.1.2 Политика оптимизации запасов

R12.1.3 Процесс управления запасами

R12.1.4 Различные среды

R12.1.5 Показатели эффективности

R12.2 Варианты решения

R12.3 Обобщенное планирование

R12.4 Политики одноуровневого управления запасами

R12.4.1 Политика управления запасами

R12.4.2 Симулятор среды

R12.4.3 Сценарий 1: постоянный спрос, нулевое время выполнения заказа

R12.4.4 Сценарий 2: постоянные значения спроса и времени выполнения заказа

R12.4.5 Сценарий 3: cтохастический спрос, постоянное время выполнения заказа

R12.4.6 Сценарий 4: cтохастический спрос и стохастическое время выполнения заказа

R12.4.7 Упущенные продажи и отсутствие ограничений спроса

R12.5 Многоуровневые политики управления запасами

R12.5.1 Стохастические модели обслуживания

R12.5.2 Модели гарантированного обслуживания

R12.6 Расширения и варианты

R12.6.1 Сезонные и скоропортящиеся продукты

R12.6.2 Несколько каналов продаж

R12.6.3 Несколько товаров и дифференциация политик

R12.6.4 Несколько товаров и скоординированное пополнение

R12.7 Краткое содержание главы

Часть V ПРОИЗВОДСТВЕННЫЕ ОПЕРАЦИИ И ИНТЕРНЕТ ВЕЩЕЙ

R13 Обнаружение аномалий

R13.1 Бизнес-задача

R13.1.1 Мониторинг, оценка и обнаружение аномалий

R13.1.2 Прогнозное обслуживание

R13.2 Варианты решения

R13.3 Модели системы

R13.4 Мониторинг

R13.5 Оценка аномалий

R13.5.1 Основные модели нормальности

R13.5.2 Модели прогнозирования состояния

R13.5.3 Модели многообразия состояний

R13.5.4 Предварительная обработка показателей

R13.6 Обнаружение и классификация аномалий

R13.6.1 Пороговое значение

R13.6.2 Вероятность восстановления

R13.6.3 Обучение с подкреплением в обнаружении и классификации аномалий

R13.7 Прогноз остаточного срока службы

R13.7.1 Способ решения

R13.7.2 Прототип

R13.8 Краткое содержание главы

R14 Визуальный контроль качества

R14.1 Бизнес-задача

R14.1.1 Операционная среда

R14.1.2 Данные

R14.1.3 Цели

R14.2 Варианты решения

R14.3 Модели классификации дефектов, обучаемые с учителем

R14.4 Модели обнаружения аномалий

R14.4.1 Архитектура модели

R14.4.2 Структурное сходство

R14.4.3 Обнаружение аномалий с помощью переноса обучения

R14.5 Прототип

R14.6 Расширения и варианты

R14.7 Краткое содержание главы

A.1 Функции потерь для регрессии

A.1.1 Среднеквадратическая ошибка

A.1.2 Корень среднеквадратической ошибки

A.1.3 Средняя абсолютная ошибка

A.1.4 Средняя абсолютная процентная ошибка

A.1.5 Потери Хьюбера

A.1.6 Квантильные потери

A.1.7 Потери Пуассона

A.2 Функции потерь для классификации

A.2.1 Бинарная перекрестная энтропия

A.2.2 Категориальная перекрестная энтропия

A.2.3 Расхождение Кульбака–Лейблера

A.3 Функции потерь для обучения представлению

A.3.1 Контрастные потери

A.3.2 Триплетные потери

A.3.3 Многоклассовые N-парные потери

A.3.4 Потери InfoNCE

A.3.5 Потери ArcFace

B Метрики оценивания моделей

B.1 Метрики для регрессии

B.1.1 Средневзвешенная процентная ошибка

B.1.2 Взвешенная квантильная потеря

B.1.3 Резкость границ прогноза

B.2 Метрики качества классификации

B.2.1 Матрица несоответствий и связанные с ней метрики

B.2.2 Кривая ROC и AUC

B.2.3 Кривая точности–полноты

B.2.4 Оценка F1

B.3 Метрики для поиска

B.4 Метрики качества ранжирования

B.4.1 Коэффициент попаданий

B.4.2 Обобщенная средняя точность

B.4.3 Дисконтированная совокупная прибыль

B.5 Метрики качества генерации естественного языка

B.5.1 Точность и полнота совпадения

B.5.2 BLEU

B.5.3 ROUGE

B.5.4 BERTScore

B.5.5 G-Eval

Библиография

Предметный указатель

Внимание!
При обнаружении неточностей или ошибок в описании книги "Искусственный интеллект на предприятии : теория и практика для маркетинга, управления поставками и производством (автор Илья Кацов)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!