حالات هوش مصنوعی خوب

همانطور که ما بیشتر به دنیای متحول کننده هوش مصنوعی می پردازیم، از اینکه هم خوانندگان جدید و هم خوانندگان قدیمی خود را در این سفر داریم هیجان زده هستیم. Good AI Vibes خبرنامه شما برای کشف برنامه‌های کاربردی هوش مصنوعی است که بخش‌های زیادی را تغییر می‌دهند. اگر در انجمن ما تازه کار هستید، از صمیم قلب از شما استقبال می کنیم! اگر قبلاً این کار را نکرده اید، روی دکمه اشتراک زیر کلیک کنید.

در هر شماره، ما 3 کاربرد پیشگامانه هوش مصنوعی را که باعث ایجاد تغییر در صنایع مختلف می شوند، برجسته می کنیم. در این شماره ششم از Good AI Vibes، ما مشتاقیم که بررسی کنیم:

1. ورود به آینده: خوشه بندی منحنی های رزرو برای پیش بینی تقاضای هتل (سفر و گردشگری / مدیریت درآمد)
2. سفری آرام به سمت بهره وری انرژی و صرفه جویی در زمان در راه آهن با هوش مصنوعی (حمل و نقل / مدیریت عملیات)
3. بررسی سلامت برای برنامه‌های سلامت موبایل: استفاده از هوش مصنوعی برای بهبود تجربه کاربر (مراقبت‌های بهداشتی / تجربه کاربری)

در تلاش مستمر خود برای ارائه جذاب ترین محتوا، ما هیجان زده هستیم که تغییری در سبک ارائه موارد استفاده خود را اعلام کنیم. برای اطمینان از لحن روایی و جذاب‌تر، قالب ارائه خود را بازسازی کرده‌ایم. به جای بیان صرف مشکل کسب و کار، راه حل هوش مصنوعی و نتایج، رویکردی شبیه به داستان را در پیش خواهیم گرفت. ما سناریوهایی پیرامون چالش یک فرد، استراتژی‌های موجود، موانعی که با آن‌ها روبرو هستند و در نهایت اینکه چگونه هوش مصنوعی می‌تواند راه را برای راه‌حل‌های کارآمدتر هموار کند، ارائه خواهیم کرد. ما بر این باوریم که این سبک به شما امکان می‌دهد با هر مورد ارتباط شخصی بیشتری داشته باشید و تأثیر آن را بهتر درک کنید.

اکنون، بیایید ابتدا به داستان‌های مبتنی بر هوش مصنوعی این شماره که موج‌هایی را در سراسر صنایع ایجاد می‌کنند، بپردازیم.

از خواندن خود لذت ببرید!

ایجاد شده با هوش مصنوعی، با استفاده از Midjourney

مانع اصلی چه بود؟

با جین، مدیر درآمد یک هتل شهر محبوب آشنا شوید. پیش بینی دقیق تقاضا برای جین برای تصمیم گیری آگاهانه مدیریت درآمد حیاتی است. با این حال، پیش‌بینی تعداد مهمانان و زمان رزرو اتاق یک کار ذاتاً پیچیده است که باید عوامل نوسان زیادی را در نظر گرفت. کار جین حتی سخت‌تر می‌شود زیرا او متوجه می‌شود که روش‌های پیش‌بینی سنتی، که فرض می‌کنند الگوهای رزرو در دوره‌های خاص مشابه هستند، همیشه دقیق نیستند.

آنها چگونه این چالش را پذیرفتند؟

جین با تجزیه و تحلیل داده های تاریخی مربوط به دوره مشابه در سال های گذشته تقاضای آتی را پیش بینی می کرد. او الگوهای رزرو را بررسی کرده بود و سعی کرده بود روندها را رمزگشایی کند تا نرخ اشغال آینده را پیش‌بینی کند. علی‌رغم تلاش‌های مجدانه او، با توجه به ماهیت پویا و غیرقابل پیش‌بینی الگوهای رزرو هتل، این روش اغلب شکست خورده بود.

چرا روش های سنتی آن را قطع نکردند؟

مسئله کلیدی استراتژی جین این بود که به شدت بر این فرض تکیه کرده بود که الگوهای رزرو الگوهای مربوط به همان دوره در سال‌های قبل را تکرار می‌کنند. با این حال، تقاضا برای اتاق های هتل تحت تأثیر عوامل متعدد غیرقابل پیش بینی مانند رویدادهای محلی، شرایط آب و هوایی و تغییر روند سفر است. در نتیجه، این مفروضات اغلب منجر به پیش‌بینی‌های نادرست شده و منجر به تصمیم‌گیری‌های غیربهینه در مورد قیمت‌گذاری و مدیریت موجودی می‌شود.

هوش مصنوعی چگونه بازی را تغییر داد؟

با استفاده از هوش مصنوعی، رویکرد جین برای پیش‌بینی تقاضا دستخوش تحول شد. به‌جای تکیه بر دوره‌های آخر، از هوش مصنوعی برای خوشه‌بندی منحنی‌های رزرو تاریخی استفاده شد و الگوها و روندهایی را که قبلاً متوجه نشده بودند، آشکار کرد. ثابت شد که این مدل پویاتر و سازگارتر است و ماهیت سیال الگوهای رزرو را در نظر می گیرد. جین با اتخاذ این رویکرد نوآورانه توانست پیش‌بینی‌هایی را در سطح خوشه‌ای ایجاد کند که منجر به پیش‌بینی‌های دقیق‌تر در تمام افق‌های پیش‌بینی می‌شود. این پیش‌بینی‌های دقیق، تصمیم‌گیری هوشمندانه‌تر در مورد قیمت‌گذاری و مدیریت موجودی، به حداکثر رساندن درآمد و بهینه‌سازی عملیات هتل را ممکن می‌سازد. دقت بهبود یافته منجر به افزایش 17 تا 24 درصدی در دقت پیش‌بینی شد که منجر به بهبودهای قابل توجهی در استفاده از اتاق و بهینه‌سازی درآمد شد.

سفری آرام به سمت بهره وری انرژی و صرفه جویی در زمان در راه آهن با هوش مصنوعی

ایجاد شده با هوش مصنوعی، با استفاده از Midjourney

مانع اصلی چه بود؟

نقش راشل، مدیر یک شرکت بزرگ راه آهن اروپای شمالی را تصور کنید. وظیفه او بهینه سازی جدول زمانی قطار برای اطمینان از مصرف انرژی کارآمد و کاهش زمان سفر مسافران است. او به دنبال کاهش هزینه های عملیاتی و انتشار CO2 است، اما با توجه به پیچیدگی شبکه، با 107 ایستگاه و تقاطع و خطوط قطار متعدد، این یک چالش بزرگ است.

آنها چگونه این چالش را پذیرفتند؟

راشل به روش‌های سنتی بهینه‌سازی جدول زمانی متکی بود. این روش‌ها که عمدتاً بر قوانین ثابت در مورد عملکرد قطار و مفروضات تعمیم‌یافته در مورد مصرف انرژی متکی بودند، به عنوان ابزار اصلی او برای مدیریت شبکه عمل کردند. با این حال، آنها در به تصویر کشیدن پیچیدگی های دنیای واقعی و ماهیت پویای عملیات قطار کوتاهی کردند و کارایی بهینه و رضایت مسافران را به اهداف گریزان تبدیل کردند.

چرا روش های سنتی آن را قطع نکردند؟

مشکل ریچل در غیاب مدل‌های مبتنی بر داده‌های شخصی‌شده نهفته است که رفتارهای متنوع رانندگی و تأثیر بعدی آن‌ها بر مصرف انرژی را به دقت منعکس می‌کند. روش‌های سنتی تفاوت‌هایی را در شیوه‌های رانندگی در نظر نمی‌گرفتند، که می‌تواند به طور قابل‌توجهی بر مصرف انرژی تأثیر بگذارد. علاوه بر این، شبکه گسترده و پیچیده ایستگاه‌ها، تقاطع‌ها و خطوط، لایه دیگری از پیچیدگی را به مشکل اضافه کرد و برنامه‌ریزی بهینه را به یک کار سربالایی تبدیل کرد.

هوش مصنوعی چگونه بازی را تغییر داد؟

هوش مصنوعی، به ویژه یک روش اکتشافی مبتنی بر داده، به نجات راشل آمد. این رویکرد نوآورانه داده‌های تاریخی از عملیات قطار را به‌کار می‌گیرد و به طور موثر مصرف انرژی در دنیای واقعی مرتبط با رفتارهای مختلف رانندگی را ثبت می‌کند. با استفاده از این ابزار هوش مصنوعی، ریچل توانست مصرف انرژی و زمان سفر مسافران را به طور همزمان بهینه کند. نتایج حاصل از آزمایش در دنیای واقعی فراتر از امیدوار کننده بود. آنها تا 4.2 درصد کاهش در مصرف انرژی و 6.8 درصد کاهش در زمان سفر مسافران در سراسر شبکه را نشان دادند. برای شبکه ای که سالانه 7 میلیون کیلووات ساعت مصرف می کند، این به معنای صرفه جویی 420000 کیلووات ساعتی است – سهم قابل توجهی در کاهش هزینه های عملیاتی و انتشار CO2. در همین حال، کاهش زمان سفر به معنای بهبود خدمات برای مسافران، افزایش رضایت و به طور بالقوه جذب مسافران بیشتر است. بعلاوه،

بررسی سلامت برای برنامه‌های سلامت موبایل: استفاده از هوش مصنوعی برای بهبود تجربه کاربر

ایجاد شده با هوش مصنوعی، با استفاده از Midjourney

مانع اصلی چه بود؟

بیایید نگاهی به آوا بیندازیم، مدیر محصول یک برنامه محبوب سلامت موبایل. چالش اصلی او درک عواملی است که واقعاً بر تجربه و سطح رضایت کاربر در پلت فرم آنها تأثیر می گذارد. همه‌گیری COVID-19 تقاضا برای برنامه‌های سلامت تلفن همراه را به‌طور چشمگیری افزایش داده است و آوا باید با ارائه تجربه‌ای کاربرپسند و رضایت‌بخش از رقابتی بودن برنامه‌اش اطمینان حاصل کند.

آنها چگونه این چالش را پذیرفتند؟

آوا و تیمش مرتباً بازخوردها و رتبه‌بندی‌های کاربران را در فروشگاه برنامه بررسی می‌کردند. آن‌ها همچنین نظرسنجی‌های دوره‌ای را در تلاش برای درک اینکه کاربران چه چیزی را در برنامه دوست دارند و چه چیزی را دوست ندارند، انجام دادند. با این حال، این روش ها ممکن است تصویر کاملی را ثبت نکرده باشند، زیرا دامنه آنها محدود بوده و نظرات کاربران نظارت نشده را در پلتفرم های مختلف به طور کامل تجزیه و تحلیل نمی کنند.

چرا روش های سنتی آن را قطع نکردند؟

چندین عامل مانع درک جامع از تجربه کاربر شد. بازخورد دریافتی آوا تا حد زیادی بدون ساختار و پیچیده بود و شناسایی الگوها یا روندهای واضح را دشوار می کرد. همچنین، استراتژی‌های موجود آن‌ها نتوانسته انگیزه‌ها و انتظارات متنوع گروه‌های کاربری مختلف را در نظر بگیرد، که نقش مهمی در شکل‌دهی تجربه کاربر داشت.

هوش مصنوعی چگونه بازی را تغییر داد؟

استفاده از ابزارهای مبتنی بر هوش مصنوعی آوا را قادر ساخت تا بینش جامعی از هزاران و حتی میلیون‌ها نظر بدون ساختار کاربر در پلتفرم‌های مختلف به دست آورد. با استفاده از متن کاوی و یادگیری ماشینی، او توانست 90٪ داده های بازخورد مشتری را در مقایسه با روش های سنتی بررسی دستی بررسی کند. این تکنیک‌های پیشرفته همچنین به شناسایی و تعیین کمیت عوامل مهم مؤثر بر تجربیات کاربر، مانند زمان و پول (تا ۲۲ درصد بر رضایت شما تأثیر می‌گذارد)، راحتی (تا ۲۷ درصد بر بررسی‌های مثبت تأثیر می‌گذارد)، و پاسخ‌دهی و در دسترس بودن (هر کدام احساسات کاربر را تحت تأثیر قرار می‌دهد). تا 41 درصد.

علاوه بر این، هوش مصنوعی بر تأثیر متفاوت قطبیت مرور بر تداعی برند و انگیزه لذت‌گرا تأکید کرد. به عنوان مثال، نشان داد که بررسی‌های مثبت تأثیر راحتی رزرو آنلاین بر تجربه کلی کاربر را تا 34 درصد افزایش داده و ارزش ویژگی‌های مشاوره ویدیویی را تا 43 درصد افزایش داده است. این بینش‌های دقیق، آوا و تیمش را در تصمیم‌گیری آگاهانه و بهبود مستمر برنامه‌شان راهنمایی کرد و در نهایت منجر به رضایت بیشتر کاربر شد.
از اینکه ما را در این کاوش غنی از طریق شماره ششم Good AI Vibes همراهی کردید از صمیم قلب تشکر می کنیم! ما اطمینان داریم که موارد استفاده از هوش مصنوعی ما باعث ایجاد افکار نوآورانه برای مشاغل شما شده است.
حال و هوای خوب را در همه جا پخش کنید! اگر محتوای ما را ارزشمند می‌دانید، چرا این خبرنامه را با همکاران، دوستان یا هر کسی که ممکن است از آن استقبال کند به اشتراک نمی‌گذارید؟ قدرت هوش مصنوعی از طریق کنجکاوی جمعی و خرد مشترک شکوفا می شود.

مراجع برای این موضوع:

Viverit، L.، Heo، CY، Pereira، LN، و Tiana، G. (2023). استفاده از یادگیری ماشین برای خوشه‌بندی منحنی‌های رزرو هتل برای پیش‌بینی تقاضای هتل. مجله بین المللی مدیریت هتلداری.

هوانگ، ال.، و همکاران (2021). رویکرد یادگیری عمیق جدید برای پیش‌بینی تقاضای روزانه هتل با اثر تجمع مجله بین المللی مدیریت هتلداری.

فیوری، AM، و همکاران. (2020). دقت پیش‌بینی برای روش‌های پیش‌بینی مبتنی بر رزرو بکار رفته در مدیریت درآمد. مجله بین المللی مدیریت هتلداری.

اساف، AG، و همکاران. (2019). پیش بینی میزان اشغال با روش های فشرده سازی بیزی سالنامه تحقیقات گردشگری.

Haensel، A.، و همکاران. (2011). پیش بینی افق رزرو با به روز رسانی پویا: مطالعه موردی در مورد داده های رزرو هتل مجله بین المللی پیش بینی.

Als، MVH، Madsen، MB، Jensen، RM (2023). یک ریاضی دو هدفه مبتنی بر داده برای جدول‌های زمانی بهینه‌سازی انرژی در شبکه راه‌آهن مسافربری. مجله برنامه ریزی و مدیریت حمل و نقل ریلی.

Garrisi، G.، Cervelló-Pastor، C. (2019). مدل بهینه‌سازی زمان‌بندی قطار برای شبکه‌های راه آهن با ایستگاه‌های چند پلتفرمی پایداری.

Gao, Y., Yang, L., Gao, Z. (2018). تحلیل مصرف انرژی و زمان سفر برای خطوط مترو با حالت سریع/محلی. تحقیق حمل و نقل قسمت D: حمل و نقل و محیط زیست.

Cacchiani, V., Toth, P. (2012). مشکلات زمانبندی اسمی و قوی قطار. مجله اروپایی تحقیقات عملیاتی.

Caprara, A., Fischetti, M., Toth, P. (2002). مدلسازی و حل مشکل زمانبندی قطار. تحقیق در عملیات.

Pal, S., Biswas, B., Gupta, R., Kumar, A., Gupta, S. (2023). بررسی عواملی که بر تجربه کاربر در برنامه‌های کاربردی سلامت موبایل تأثیر می‌گذارند: رویکرد متن کاوی و یادگیری ماشینی. مجله تحقیقات بازرگانی.

آزاد خانقاه، پ.، نوبائر، ن.، میگل کروز، ا.، لیو، ال. (2021). مقیاس‌های قابلیت استفاده و رتبه‌بندی کیفیت اپلیکیشن سلامت موبایل: یک بررسی سیستماتیک ناتوانی و توانبخشی: فناوری کمکی.

Birkmeyer, S., Wirtz, BW, Langer, PF (2021). عوامل تعیین کننده موفقیت mHealth: یک بررسی تجربی از دیدگاه کاربر. مجله بین المللی مدیریت اطلاعات.

Chatterjee, S., Goyal, D., Prakash, A., Sharma, J. (2021). بررسی رضایت از تجارت الکترونیکی مراقبت های بهداشتی/محصولات سلامت: یک برنامه متن کاوی و یادگیری ماشین. مجله تحقیقات بازرگانی.

بارت، ام.، دیویدسون، ای.، پرابهو، جی.، وارگو، SL (2015). نوآوری خدمات در عصر دیجیتال فصلنامه MIS.