Ở phần 1:

https://www.sonresearch.blog/2023/05/tong-quan-ve-ung-dung-cua-machine.html

Chúng ta đã tìm hiểu về ứng dụng của Machine Learning trong tài chính, rõ ràng dù ở bước bán hàng (Front office) tiếp cận với khách hàng, hay vận hành (Back office) thì Machine Learning đều đóng vai trò rất quan trọng.

Trong phần 2, chúng ta sẽ cùng tìm hiểu xem, Machine Learning có thể làm gì trong những lĩnh vực khác nhé.

Ứng dụng ML trong truyền thông và giải tri

Ngành truyền thông và giải trí (Media and entertainment - M&E) bao gồm các doanh nghiệp tham gia sản xuất và phân phối phim, truyền hình, nội dung phát trực tuyến, âm nhạc, trò chơi và xuất bản. Bối cảnh M&E hiện tại đã được định hình bằng việc áp dụng ngày càng nhiều phương thức phân phối nội dung trực tuyến và vượt trội (Over-the-top - OTT) so với phát sóng truyền thống. Khách hàng M&E, đối diện với các lựa chọn nội dung truyền thông ngày càng tăng, đang thay đổi thói quen tiêu dùng và đòi hỏi trải nghiệm được cá nhân hóa và nâng cao hơn trên các thiết bị khác nhau, mọi lúc, mọi nơi. Các công ty M&E cũng phải đối mặt với sự cạnh tranh khốc liệt trong ngành và để duy trì tính cạnh tranh, các công ty M&E cần xác định các kênh kiếm tiền mới, cải thiện trải nghiệm người dùng và nâng cao hiệu quả hoạt động. Sơ đồ sau đây cho thấy các bước chính trong quy trình sản xuất và phân phối phương tiện:

Phát triển và sản xuất nội dung

Trong giai đoạn lập kế hoạch ban đầu của vòng đời sản xuất phim, nhà sản xuất nội dung cần đưa ra quyết định về nội dung tiếp theo dựa trên các yếu tố như hiệu suất ước tính, doanh thu và lợi nhuận. Các nhà làm phim áp dụng các mô hình phân tích dự đoán dựa trên ML để trợ giúp dự đoán mức độ phổ biến và lợi nhuận của các ý tưởng mới bằng cách phân tích các yếu tố như dàn diễn viên, kịch bản, hiệu suất trước đây của các bộ phim khác nhau và đối tượng khán giả. Điều này cho phép các nhà sản xuất nhanh chóng loại bỏ những ý tưởng có tiềm năng thị trường không lớn để tập trung nỗ lực phát triển những ý tưởng hứa hẹn hơn.

Để hỗ trợ nhu cầu xem nội dung được cá nhân hóa, các nhà sản xuất nội dung thường phân đoạn nội dung video dài thành các phân đoạn nhỏ xung quanh các sự kiện, cảnh hoặc diễn viên nhất định để chúng có thể được phân phối riêng lẻ hoặc đóng gói lại thành thứ gì đó được cá nhân hóa hơn theo sở thích của từng cá nhân. Cách tiếp cận dựa trên ML này có thể được sử dụng để tạo các video clip bằng cách phát hiện các yếu tố như cảnh, diễn viên và sự kiện cho các đối tượng mục tiêu khác nhau với sở thích và thị hiếu khác nhau.

Quản lý và khám phá nội dung

Các công ty M&E có tài sản nội dung kỹ thuật số lớn cần quản lý nội dung của họ để tạo nội dung mới cho các cơ hội kinh doanh mới. Để làm được điều đó, các công ty này cần siêu dữ liệu đa dạng cho tài sản kỹ thuật số để cho phép tìm kiếm và khám phá các nội dung khác nhau.

Người tiêu dùng cũng cần tìm kiếm nội dung một cách dễ dàng và chính xác cho các mục đích sử dụng khác nhau, chẳng hạn như để giải trí hoặc nghiên cứu cá nhân. Nếu không có gắn thẻ siêu dữ liệu hoặc khả năng hiểu nội dung, việc khám phá nội dung có liên quan là khá khó khăn. Nhiều công ty thuê người để xem xét và gắn thẻ nội dung này với siêu dữ liệu có ý nghĩa cho khám phá như một phần của quy trình quản lý tài sản kỹ thuật số. Vì việc gắn thẻ thủ công rất tốn kém và mất thời gian nên hầu hết nội dung không được gắn thẻ với đủ siêu dữ liệu để hỗ trợ việc quản lý và khám phá nội dung hiệu quả.

Các mô hình thị giác máy tính có thể tự động gắn thẻ nội dung hình ảnh và video cho các chủ đề như đối tượng, thể loại, con người, địa điểm hay bối cảnh. Các mô hình ML cũng có thể diễn giải ý nghĩa của nội dung văn bản như bối cảnh, tình cảm, thực thể và đôi khi là video. nội dung âm thanh cũng cần được phiên âm thành văn bản để phân tích văn bản bổ sung, chẳng hạn như tóm tắt. Tính năng tóm tắt văn bản dựa trên máy học có thể giúp bạn tóm tắt văn bản dài như một phần của quá trình tạo nội dung siêu dữ liệu. Sơ đồ sau đây cho thấy nơi các giải pháp phân tích dựa trên ML phù hợp với quy trình quản lý nội dung phương tiện:

Các công nghệ đề xuất đã xuất hiện trong nhiều năm và đã được cải thiện rất nhiều trong những năm qua. Ngày nay, các công cụ đề xuất có thể tìm hiểu các mẫu bằng cách sử dụng nhiều dữ liệu đầu vào, chẳng hạn như các tương tác lịch sử mà người dùng có với nội dung và hành vi xem, các mẫu tương tác tuần tự khác nhau cũng như siêu dữ liệu được liên kết với người dùng và nội dung. Các công cụ đề xuất hiện đại cũng có thể học hỏi từ các hành vi/quyết định trong thời gian thực của người dùng và đưa ra các quyết định đề xuất thời gian thực dựa trên các hành vi của người dùng trong thời gian thực.

Ứng dụng ML trong chăm sóc sức khỏe và khoa học đời sống

Chăm sóc sức khỏe và khoa học đời sống là một trong những ngành công nghiệp lớn nhất và phức tạp nhất. Trong ngành này, có một số lĩnh vực, bao gồm:

• Thuốc: Đây là những nhà sản xuất thuốc, chẳng hạn như công ty công nghệ sinh học, công ty dược phẩm và nhà sản xuất thuốc di truyền.
• Thiết bị y tế: Đây là những công ty sản xuất cả sản phẩm tiêu chuẩn và thiết bị công nghệ cao.
• Chăm sóc sức khỏe được quản lý: Đây là những công ty cung cấp các chính sách bảo hiểm y tế.
• Cơ sở y tế: Đây là các bệnh viện, phòng khám và phòng thí nghiệm.
• Các cơ quan chính phủ như CDC và FDA.

Ngành công nghiệp này đã áp dụng ML cho nhiều trường hợp sử dụng, chẳng hạn như chẩn đoán và hình ảnh y tế, khám phá thuốc, quản lý và phân tích dữ liệu y tế cũng như dự đoán và điều trị bệnh.

Phân tích hình ảnh y tế

Hình ảnh y tế là quy trình và kỹ thuật tạo ra hình ảnh đại diện trực quan của cơ thể con người để phân tích y tế. Các chuyên gia y tế, chẳng hạn như bác sĩ X quang và nhà nghiên cứu bệnh học, sử dụng hình ảnh y tế để hỗ trợ đánh giá tình trạng y tế và kê đơn điều trị y tế. Tuy nhiên, ngành này đang phải đối mặt với tình trạng thiếu chuyên gia y tế có trình độ và đôi khi, những chuyên gia này phải dành nhiều thời gian để xem xét một số lượng lớn hình ảnh y tế để xác định xem bệnh nhân có mắc bệnh hay không.

Một giải pháp dựa trên ML là coi phân tích hình ảnh y tế như một vấn đề phát hiện đối tượng trong thị giác máy tính. Trong trường hợp phát hiện tế bào ung thư, các mô ung thư có thể được xác định và dán nhãn trong các hình ảnh y tế hiện có dưới dạng dữ liệu đào tạo cho các thuật toán thị giác máy tính. Khi mô hình đã được đào tạo và độ chính xác của nó đã được xác nhận là có thể chấp nhận được, nó có thể được sử dụng để tự động sàng lọc một số lượng lớn hình ảnh X-quang nhằm làm nổi bật những hình ảnh quan trọng để các nhà nghiên cứu bệnh học xem xét. Sơ đồ sau đây cho thấy quá trình đào tạo mô hình thị giác máy tính bằng cách sử dụng dữ liệu hình ảnh được dán nhãn:

Để cho phép dự đoán chính xác hơn, dữ liệu hình ảnh có thể được kết hợp với dữ liệu không phải hình ảnh, chẳng hạn như dữ liệu chẩn đoán lâm sàng, để đào tạo một mô hình chung nhằm đưa ra dự đoán.

Nghiên cứu chế tạo thuốc

Khám phá và phát triển thuốc là một quá trình lâu dài, phức tạp và tốn kém. Nó bao gồm các giai đoạn chính như sau:

• Khám phá và phát triển, trong đó mục tiêu là tìm ra hợp chất chỉ nhắm vào một loại protein hoặc gen cụ thể như một ứng cử viên của thuốc thông qua nghiên cứu cơ bản
• Nghiên cứu tiền lâm sàng, trong đó mục tiêu là xác định hiệu quả và độ an toàn của thuốc
• Phát triển lâm sàng, bao gồm các thử nghiệm lâm sàng và nghiên cứu tình nguyện để tinh chỉnh thuốc
• Đánh giá của FDA, trong đó thuốc được xem xét một cách tổng thể để phê duyệt hoặc từ chối
• Giám sát hậu mãi để đảm bảo tính an toàn của thuốc

Trong giai đoạn khám phá thuốc, mục tiêu chính là phát triển một hợp chất phân tử có thể có tác động sinh học tích cực đối với mục tiêu protein để điều trị bệnh mà không có tác động tiêu cực như các vấn đề về độc tính. Một lĩnh vực mà ML có thể trợ giúp là quy trình thiết kế hợp chất, trong đó chúng ta có thể lập mô hình hợp chất phân tử dưới dạng vectơ trình tự và sử dụng các tiến bộ trong xử lý ngôn ngữ tự nhiên để tìm hiểu về các mẫu này. Chúng ta có thể làm điều này bằng cách sử dụng các hợp chất phân tử hiện có với nhiều cấu trúc phân tử khác nhau. Khi mô hình đã được đào tạo, nó có thể được sử dụng để tạo ra các đề xuất hợp chất mới cho mục đích khám phá thay vì để con người tạo ra các phân tử này theo cách thủ công để tiết kiệm thời gian. Các hợp chất được đề xuất có thể được thử nghiệm và xác nhận với protein mục tiêu để tương tác. Sơ đồ sau đây cho thấy quy trình chuyển đổi các hợp chất phân tử thành các biểu diễn SMILES và đào tạo một mô hình tạo ra các chuỗi hợp chất mới:

Ngoài thiết kế hợp chất, các phương pháp tiếp cận dựa trên ML cũng đã được áp dụng trong các giai đoạn khác của vòng đời khám phá thuốc, chẳng hạn như xác định những người phù hợp cho các thử nghiệm lâm sàng.

Quản lý dữ liệu chăm sóc sức khỏe

Một lượng lớn dữ liệu chăm sóc sức khỏe bệnh nhân được thu thập và tạo ra trong ngành chăm sóc sức khỏe mỗi ngày. Nó có nhiều định dạng khác nhau, chẳng hạn như dữ liệu yêu cầu bảo hiểm, ghi chú viết tay của bác sĩ, các cuộc hội thoại y tế được ghi lại và hình ảnh như chụp X-quang. Các công ty y tế cần trích xuất thông tin hữu ích từ các nguồn dữ liệu này để phát triển đánh giá toàn diện về bệnh nhân hoặc hỗ trợ mã hóa y tế cho các quy trình thanh toán y tế. Một số lượng đáng kể quá trình xử lý thủ công, thường do những người có chuyên môn về lĩnh vực y tế thực hiện, tiến hành sắp xếp dữ liệu này và trích xuất thông tin từ các nguồn dữ liệu này. Quá trình này vừa tốn kém vừa dễ xảy ra lỗi. Do đó, một lượng lớn dữ liệu chăm sóc sức khỏe bệnh nhân vẫn ở dạng thô và không được sử dụng một cách toàn diện.

Trong những năm gần đây, các giải pháp dựa trên học sâu đã được áp dụng để giúp quản lý dữ liệu sức khỏe, đặc biệt là trích xuất thông tin y tế từ dữ liệu phi cấu trúc như ghi chú của bác sĩ, các cuộc hội thoại y tế được ghi lại và hình ảnh y tế. Các giải pháp học sâu này không chỉ có thể trích xuất văn bản từ ghi chú viết tay, hình ảnh và tệp âm thanh mà còn có thể xác định các điều khoản và điều kiện y tế, tên thuốc, hướng dẫn kê đơn và mối quan hệ giữa các thực thể và điều khoản khác nhau đó. Sơ đồ sau đây cho thấy luồng trích xuất thông tin từ các nguồn dữ liệu phi cấu trúc bằng ML và sử dụng kết quả cho các nhiệm vụ khác nhau, chẳng hạn như mã hóa y tế và hỗ trợ quyết định lâm sàng:

Gần 80% dữ liệu chăm sóc sức khỏe là dữ liệu phi cấu trúc và những tiến bộ trong ML đang giúp khám phá những thông tin chi tiết hữu ích vốn bị ẩn trong văn bản và hình ảnh.

Ứng dụng ML trong sản xuất

Sản xuất là một ngành công nghiệp tạo ra các sản phẩm hoàn chỉnh hữu hình. Nó bao gồm nhiều phân ngành như hàng tiêu dùng, hàng điện tử, thiết bị công nghiệp, ô tô, đồ nội thất, vật liệu xây dựng, đồ thể thao, quần áo và đồ chơi. Có nhiều giai đoạn trong một vòng đời sản xuất sản phẩm điển hình, bao gồm thiết kế sản phẩm, tạo mẫu, sản xuất và lắp ráp cũng như dịch vụ và hỗ trợ sau sản xuất. Sơ đồ sau đây cho thấy các chức năng và dòng chảy kinh doanh điển hình trong lĩnh vực sản xuất:

AI và ML đã đóng một vai trò thiết yếu trong quy trình sản xuất, chẳng hạn như dự báo doanh số bán hàng, dự đoán bảo trì máy móc, kiểm soát chất lượng và tự động hóa rô-bốt để đảm bảo chất lượng và năng suất sản xuất, đồng thời tối ưu hóa quy trình và chuỗi cung ứng để cải thiện hiệu quả hoạt động tổng thể.

Kỹ thuật và thiết kế sản phẩm

Thiết kế sản phẩm là quá trình mà nhà thiết kế kết hợp khả năng sáng tạo của họ, nhu cầu thực tế của thị trường/người tiêu dùng và các ràng buộc để phát triển một sản phẩm sẽ thành công sau khi tung ra thị trường. Các nhà thiết kế thường cần tạo ra nhiều biến thể khác nhau của một sản phẩm mới trong giai đoạn thiết kế để đáp ứng các nhu cầu và ràng buộc khác nhau. Ví dụ: trong ngành may mặc, các nhà thiết kế thời trang sẽ phân tích nhu cầu và sở thích của khách hàng, chẳng hạn như màu sắc, kết cấu và kiểu dáng, đồng thời phát triển các thiết kế này và tạo đồ họa cho trang phục.

Ngành công nghiệp sản xuất đã và đang tận dụng công nghệ ML thiết kế tổng quát để hỗ trợ thiết kế sản phẩm mới. Ví dụ: các kỹ thuật ML như Mạng khởi tạo (Generative Adversarial Networks - GAN) đã được sử dụng để tạo đồ họa mới cho thiết kế logo và các thành phần công nghiệp 3D như bánh răng máy móc. Sơ đồ sau đây cho thấy khái niệm cơ bản về GAN, trong đó một mô hình khởi tạo được đào tạo để tạo ra các hình ảnh giả có thể đánh lừa người phân biệt. Sau khi khởi tạo đủ tốt để đánh lừa người phân biệt, nó có thể được sử dụng để tạo hình ảnh mới cho các mặt hàng như quần áo.

Ngoài thiết kế tổng quát, các kỹ thuật ML cũng đã được sử dụng để phân tích các yêu cầu của thị trường và ước tính tiềm năng thị trường của sản phẩm mới.

Hoạt động sản xuất – kiểm soát chất lượng và sản lượng sản phẩm

Kiểm soát chất lượng là một bước quan trọng trong quy trình sản xuất để đảm bảo chất lượng của sản phẩm trước khi xuất xưởng. Nhiều nhà sản xuất dựa vào con người để kiểm tra các sản phẩm được sản xuất, điều này rất tốn thời gian và chi phí. Ví dụ, công nhân nhà máy sẽ kiểm tra trực quan các sản phẩm xem có vết xước bề mặt, thiếu các bộ phận, sự khác biệt về màu sắc và biến dạng không.

Công nghệ dựa trên thị giác máy tính đã được sử dụng để tự động hóa nhiều khía cạnh của quy trình kiểm soát chất lượng của dây chuyền sản xuất. Ví dụ: Tập đoàn Samsung có thể đào tạo một mô hình phát hiện đối tượng máy tính bằng cách sử dụng dữ liệu hình ảnh được gắn nhãn để giúp xác định các đối tượng cần kiểm tra từ các hình ảnh đã chụp, sau đó có thể đào tạo một mô hình lỗi dựa trên tầm nhìn máy tính bằng cách sử dụng các hình ảnh được gắn nhãn phần tốt và phần xấu để giúp kiểm tra các đối tượng được phát hiện và phân loại chúng là bị lỗi hoặc không bị lỗi.

Vận hành sản xuất – bảo trì máy móc

Máy móc, thiết bị sản xuất công nghiệp cần được bảo trì thường xuyên để đảm bảo hoạt động trơn tru. Bất kỳ sự cố ngừng hoạt động ngoài kế hoạch nào do lỗi thiết bị sẽ không chỉ dẫn đến chi phí sửa chữa hoặc thay thế cao mà còn làm gián đoạn lịch trình sản xuất, ảnh hưởng đến lịch trình phân phối cho các nhiệm vụ hoặc khách hàng tiếp theo. Mặc dù tuân theo lịch bảo trì thường xuyên sẽ giảm bớt vấn đề này ở một mức độ nhất định, nhưng việc có khả năng dự báo trước các vấn đề tiềm ẩn sẽ làm giảm hơn nữa nguy cơ xảy ra bất kỳ hỏng hóc không lường trước nào. Các phân tích bảo trì dự đoán dựa trên máy học giúp giảm nguy cơ hỏng hóc tiềm ẩn bằng cách dự đoán liệu một thiết bị có khả năng hỏng hóc trong một khoảng thời gian hay không bằng cách sử dụng nhiều loại dữ liệu, chẳng hạn như dữ liệu đo từ xa do các cảm biến Internet of Things (IoT) thu thập. Nhóm bảo trì có thể sử dụng các kết quả dự đoán và thực hiện các hành động bảo trì chủ động để ngăn chặn sự cố gây gián đoạn.

Ứng dụng ML trong bán lẻ

Các doanh nghiệp bán lẻ bán sản phẩm tiêu dùng trực tiếp cho khách hàng thông qua các cửa hàng bán lẻ hoặc các kênh thương mại điện tử. Họ nhận được nguồn cung cấp thông qua các nhà phân phối bán buôn hoặc từ các nhà sản xuất trực tiếp. Ngành công nghiệp đã trải qua một số chuyển đổi quan trọng. Trong khi thương mại điện tử đang phát triển nhanh hơn nhiều so với bán lẻ kinh doanh truyền thống, các cửa hàng truyền thống cũng đang chuyển đổi trải nghiệm mua sắm tại cửa hàng để duy trì tính cạnh tranh. Các nhà bán lẻ đang tìm kiếm những cách mới để cải thiện trải nghiệm mua sắm tổng thể thông qua cả kênh trực tuyến và kênh truyền thống. Các xu hướng mới như thương mại xã hội, thực tế tăng cường, trợ lý mua sắm ảo, cửa hàng thông minh và cá nhân hóa 1:1 đang trở thành một trong những điểm khác biệt chính giữa các doanh nghiệp bán lẻ.

AI và ML là động lực chính thúc đẩy quá trình chuyển đổi của ngành bán lẻ, từ tối ưu hóa hàng tồn kho và dự báo nhu cầu đến trải nghiệm mua sắm phong phú và được cá nhân hóa cao như đề xuất sản phẩm được cá nhân hóa, mua sắm thực tế ảo và mua sắm tại cửa hàng không có thu ngân. Ngoài ra, AI và ML cũng đang giúp các nhà bán lẻ chống lại các tội phạm như gian lận và trộm cắp trong cửa hàng.

Tìm kiếm và khám phá sản phẩm

Khi người tiêu dùng mua sắm trực tuyến và cần tìm kiếm một sản phẩm cụ thể, họ dựa vào các công cụ tìm kiếm để tìm sản phẩm trên các trang web thương mại điện tử khác nhau. Điều này giúp đơn giản hóa đáng kể trải nghiệm mua sắm khi bạn biết tên hoặc một số thuộc tính nhất định của sản phẩm cần tìm kiếm. Tuy nhiên, đôi khi bạn chỉ có hình ảnh của sản phẩm và không biết phải tìm từ khóa nào cho đúng.

Tìm kiếm trực quan dựa trên học sâu là một công nghệ có thể giúp bạn nhanh chóng xác định và trả về các sản phẩm có hình thức tương tự từ hình ảnh của một mặt hàng. Công nghệ tìm kiếm trực quan hoạt động bằng cách tạo một biểu diễn kỹ thuật số (còn được gọi là mã hóa/nhúng) ảnh của mặt hàng và lưu trữ chúng trong một nơi lưu trữ chất lượng cao. Khi người mua hàng cần tìm một mặt hàng trông tương tự bằng cách sử dụng ảnh, ảnh mới được mã hóa thành biểu diễn kỹ thuật số và biểu diễn kỹ thuật số được tìm kiếm dựa trên chỉ mục mặt hàng bằng cách so sánh dựa trên độ đo khoảng cách hiệu quả. Các mục gần nhất với mục tiêu được trả lại. Sơ đồ sau đây cho thấy kiến trúc để xây dựng khả năng tìm kiếm hình ảnh dựa trên ML:

Các đề xuất dựa trên tìm kiếm trực quan đã được nhiều trang thương mại điện tử lớn như Amazon.com áp dụng để nâng cao trải nghiệm mua sắm.

Tiếp cận mục tiêu thị trường

Các nhà bán lẻ sử dụng các chiến dịch tiếp thị và kỹ thuật quảng cáo khác nhau, chẳng hạn như email tiếp thị trực tiếp hoặc quảng cáo kỹ thuật số, để nhắm nhắm tới những người mua sắm tiềm năng bằng các ưu đãi hoặc giảm giá dựa trên phân khúc của người mua sắm. Hiệu quả của các chiến dịch này phụ thuộc rất nhiều vào việc nhắm mục tiêu đúng khách hàng để đạt được tỷ lệ chuyển đổi cao, đồng thời giảm chi phí hoặc quảng cáo của chiến dịch và tạo ra ít sự xáo trộn của người dùng cuối hơn.

Phân loại là một cách truyền thống để hiểu các phân khúc khách hàng khác nhau nhằm giúp cải thiện hiệu quả của các chiến dịch tiếp thị. Có nhiều cách khác nhau để thực hiện phân loại bằng máy học, chẳng hạn như phân nhóm khách hàng không được giám sát dựa trên dữ liệu, chẳng hạn như dữ liệu nhân khẩu học cơ bản. Điều này cho phép bạn nhóm khách hàng thành nhiều phân khúc và tạo các chiến dịch tiếp thị độc đáo cho từng phân khúc.

Một phương pháp tiếp thị mục tiêu hiệu quả hơn là sử dụng các chiến dịch tiếp thị lấy người dùng làm trung tâm được cá nhân hóa cao. Chúng hoạt động bằng cách tạo hồ sơ cá nhân chính xác bằng cách sử dụng lượng lớn dữ liệu hành vi cá nhân, chẳng hạn như dữ liệu lịch sử giao dịch, dữ liệu phản hồi cho các chiến dịch lịch sử và dữ liệu văn bản thay thế, chẳng hạn như dữ liệu truyền thông xã hội. Có thể tạo các chiến dịch được cá nhân hóa cao với các thông điệp tiếp thị tùy chỉnh bằng cách sử dụng các hồ sơ cá nhân này để có tỷ lệ chuyển đổi cao hơn. Phương pháp ML đối với tiếp thị mục tiêu lấy người dùng làm trung tâm dự đoán tỷ lệ chuyển đổi, chẳng hạn như tỷ lệ nhấp (click-through rate - CTR), cho những người dùng khác nhau và gửi quảng cáo đến những người dùng có tỷ lệ chuyển đổi cao. Đây có thể là một bài toán phân loại hoặc hồi quy bằng cách tìm hiểu mối quan hệ giữa các tính năng của người dùng và xác suất chuyển đổi.

Quảng cáo theo ngữ cảnh là một cách khác để tiếp cận đối tượng mục tiêu bằng cách đặt quảng cáo như quảng cáo hiển thị hình ảnh hoặc quảng cáo video trên các trang web phù hợp với nội dung của quảng cáo. Một ví dụ về quảng cáo theo ngữ cảnh là đặt quảng cáo sản phẩm nấu ăn trên các trang công thức nấu ăn. Bởi vì quảng cáo có liên quan cao đến nội dung, nên chúng có khả năng cộng hưởng với độc giả của trang web và dẫn đến tỷ lệ nhấp chuột cao hơn nhiều. ML có thể giúp phát hiện quảng cáo từ ngữ cảnh để quảng cáo được đặt chính xác. Ví dụ: các mô hình thị giác máy tính có thể phát hiện các đối tượng, con người và chủ đề trong quảng cáo video để trích xuất thông tin theo ngữ cảnh và khớp chúng với nội dung của trang web.

Phân tích quan điểm

Các doanh nghiệp bán lẻ thường cần hiểu nhận thức về thương hiệu của họ từ quan điểm của người tiêu dùng. Tình cảm tích cực và tiêu cực đối với một nhà bán lẻ có thể cải thiện đáng kể hoặc gây tổn hại cho hoạt động kinh doanh bán lẻ. Khi ngày càng có nhiều nền tảng trực tuyến, người tiêu dùng sẽ dễ dàng nói lên cảm xúc của mình đối với một sản phẩm hoặc doanh nghiệp từ trải nghiệm thực tế của họ hơn bao giờ hết. Các doanh nghiệp bán lẻ đang áp dụng các kỹ thuật khác nhau để đánh giá cảm xúc và tình cảm của khách hàng đối với sản phẩm và thương hiệu của họ bằng cách phân tích phản hồi thu được từ người mua hàng hoặc theo dõi và phân tích các kênh truyền thông xã hội của họ. Phân tích tình cảm hiệu quả có thể giúp xác định các lĩnh vực cần cải thiện, chẳng hạn như cải tiến hoạt động và sản phẩm, cũng như để thu thập thông tin tình báo liên quan đến các cuộc tấn công danh tiếng thương hiệu độc hại tiềm tàng.

Phân tích quan điểm chủ yếu là một bài toán phân loại văn bản sử dụng dữ liệu văn bản được gắn nhãn (ví dụ: bài đánh giá sản phẩm được gắn nhãn tích cực hoặc tiêu cực). Nhiều thuật toán phân loại ML khác nhau, bao gồm các thuật toán dựa trên học sâu, có thể được sử dụng để đào tạo một mô hình nhằm phát hiện cảm xúc trong một đoạn văn bản.

Dự báo nhu cầu sản phẩm

Các doanh nghiệp bán lẻ cần lập kế hoạch tồn kho và dự báo nhu cầu để tối ưu hóa doanh thu bán lẻ và quản lý chi phí tồn kho. Điều này giúp họ tránh được tình trạng hết hàng đồng thời giảm chi phí dự trữ hàng tồn kho. Theo truyền thống, các nhà bán lẻ đã sử dụng các kỹ thuật dự báo nhu cầu như khảo sát người mua, ý kiến tập thể từ nhiều đầu vào, dự báo dựa trên nhu cầu trong quá khứ hoặc ý kiến chuyên gia.

Các kỹ thuật thống kê và ML như phân tích hồi quy và các phương pháp tiếp cận dựa trên học sâu có thể giúp đưa ra dự báo nhu cầu chính xác hơn và dựa trên dữ liệu. Ngoài việc sử dụng dữ liệu doanh số và nhu cầu trước đây để lập mô hình dự báo trong tương lai, các thuật toán dựa trên học sâu cũng có thể kết hợp các dữ liệu liên quan khác như giá cả, ngày lễ, sự kiện đặc biệt và thuộc tính sản phẩm để đào tạo mô hình ML có khả năng tạo ra dự báo chính xác hơn. Sơ đồ sau đây cho thấy khái niệm xây dựng mô hình học sâu sử dụng nhiều nguồn dữ liệu để tạo mô hình dự báo:

Các mô hình dự báo dựa trên ML có thể tạo ra các điểm dự báo (là một số) dự báo xác suất (dự báo có điểm tin cậy). Nhiều doanh nghiệp bán lẻ sử dụng ML để tạo dự báo cơ sở và các nhà dự báo chuyên nghiệp xem xét chúng và thực hiện các điều chỉnh dựa trên kiến thức chuyên môn của con người và các yếu tố khác.