软件开发中的机器学习-用例

应用领域

• 使用ML非常重要的一个地方的例子是个性化。较旧的系统将所谓的个性化，即营销人员可以向部分用户提供一定的体验。当然，这不是理想的，因为营销商可能选择不正确，或者细分市场选择范围太广。更好的方法是告诉系统要优化的指标，向其提供有关每个用户的尽可能多的信息，并让其找出如何以一对一的方式为每个用户提供最佳，最个性化的体验。 。 
• 我们特别希望使用“填充”级别的数据集来帮助我们的客户提供有关已部署应用程序的安全性和性能的其他上下文。范围从标准基准测试（给定数据库的平均写入性能是多少？）到更复杂的基于ML的建模方法（对于给定的配置，工作负载和资源，预期性能值的范围是多少？安全配置，各种威胁有哪些风险？）。数据和ML还可以用于协助技术选择，例如，通过分析围绕采用不同工具的趋势或通过算法确定经常一起使用的相关技术的“堆栈”。 
• 我们使用机器学习解决的核心问题包括数据提取，图像识别和分类，自然语言处理和分类。 
• 帮助自动化测试。更加敏捷。发布更快，自动运行测试。自动化速度更快。降低维护成本，并减少测试时间。 
• 我们通常会在发布方面看到ML来优化性能和测试，以自动生成并建议新的测试用例以扩大覆盖范围。 
• Totovist的skunkworks部门已将测试创建和维护速度提高了600％。他们正在使用硒来测试最前沿的应用。一家大型IT公司希望提高开发人员的效率和稳定性，以改善代码提交，问题，错误，功能要求，NLP，以缩短稳定时间并优化测试。他们能够预测错误的修复时间，以及成千上万的开发人员在数千万行代码中所发生的错误。他们建立了模型来确定错误发生的位置。 
• 我们检测到一些常见的感兴趣的对象，例如建筑物中的人和地板，但是，我们使用ML来检测一些非常规的对象，例如电线和自动扶梯。我们研究了ML在经典机器人方法（如同时定位，映射和运动控制）中的应用。例如，我们学习机器人的运动模型，如何更好地预测机器人的位置，了解机器人的参数，并使用强化学习来解决某些困难的运动控制情况。 
• 模仿人眼看着UI屏幕并检测差异。确保将更改应用于所有平台和浏览器。自我修复定位器。 
• 流水线化是建模的重要组成部分。数据摄取，准备，运行模型和代码以查看变量的外观，并确定其是否经过充分培训，并确定准确性，推送到生产环境，发送图像并查看其是否正确标记。数据来自许多地方。我们帮助跨环境分布模型。在相同的数据集上运行模型100次可提高性能，从而为运行模型提供有状态的数据层。为对冲基金或营销公司开发模型。更多型号=更多价值。 
• 客户360和实时营销。交叉销售，零售和物流运输中的物流优化。自动驾驶，研发周期实现自动驾驶。 
• 我热衷于关注最终用户和我们可以提供的价值主张，这些价值主张将日常琐碎的任务转变为他们不再需要考虑的工作，我们的产品将为他们提供帮助。对SDLC进行更广泛的思考使我们能够做到这一点。以下用例着重于我们在机器学习技术上的应用范围，例如，我们正在使用机器学习进行计时，从而使我们的最终用户客户（EUC）保留更准确的记录，以帮助服务专业人员优化其账单和项目成本核算工作。其他领域包括异常检测，集体情报和欺诈检测，以及现金流预测等领域，可帮助客户根据其当前状态和应收账款，发票的状态，智能地管理其业务的健康状况。等等，明天。我们还在自己的开发过程中应用了自动化技术，在这些过程中，我们使用了能够将代码发布快速投入生产的机器人，从而迅速改善了我们的部署周期-从过去的代码提交到部署，需要花费数日甚至数小时的时间。可以在SDLC中应用ML的其他领域包括组件重用，故障或缺陷检测，测试和验证。 
• SDLC中的ML驱动着我们的技术来评估风险和异常检测，并改善用户身份的认证和授权过程。同时，此过程可增强用户体验。通过消除在每个接触点进行身份验证的需要，我们消除了重大的认知摩擦。因为问题开始时是高度非结构化的（您不知道给定用户的行为最初看起来是什么样的），所以您从无监督的方法开始，在该方法中，您收集数据并找到以准确表示给定身份行为的方式进行结构化的方法。一旦可以对这些模式进行建模，就可以开始标记这些趋势，然后将问题转换为有监督的学习模式。在这一点上，可以通过监督学习方法来开发标签和规则，以进一步在整个SDLC中支持ML。

产业领域

• 神经病学诊所网络Precision Precision汇集了一个人口数据库，以向制药公司和付款人提供研究数据，以提供更好的患者结果，更好的研究，以及神经科医生使用ML工具来建立对疾病轨迹的更好期望和预测，从而为患者提供更好的服务结果。ML学习模型可以获取多个维度的数据，并提供更好的预测动作和专有技术。 
• 保险客户的动态定价。由于保险业正在与金融科技初创企业竞争，因此保险业的情况更加恶化。他们使用复杂的模型来确定自己的最佳客户。捕获报价，接受，拒绝，并完善模型。如果产品性能不佳，他们可以快速回收利用并重新定基。他们可能同时拥有100多个模型。他们不断更新模型以反映客户互动。还有监管方面的考虑。他们不能对性别或种族有偏见。另一个客户的工程部门拥有单个模型，该模型具有与客户接触的不同应用程序，是其网站和客户服务的定位模型。让他们的模型作为独立的服务可以实现。 
• 确保项目按时完成，并在项目持续时间和成本上以合理的准确性进行估算，这是我们在SDLC中成功采用机器学习的领域。例如，执行专业服务投入的组织需要分析工作量，投资回报率和相关的成本估算（即，我们要花多长时间来构建产品，工作水平是多少以及如何转化为适当的成本？监视方程式？）。在估算和执行中，准确性都非常重要。如果您估计产品/解决方案的构建将花费两周时间，但最终将花费六周时间，那么这将是一项昂贵的工作。通过部署ML，组织可以显着提高项目成本估算的准确性，最有效的方法是优化资源利用，在整个生命周期中监视产品/解决方案的开发，并确保以最佳方式构建产品/解决方案。随着需求或条件的变化，使用高效的ML算法也可以最好地完成将变化管理作为SDLC的一部分。