Nul
Carousell mener, at der er fokus på kunstig intelligens (AI) behov for at bevæge sig forbi den hype og om, hvordan virksomheder rent faktisk kan vedtage, at det at få reelle forretningsmæssige fordele.
Især den Singapore-baserede forbruger-til-forbruger (C2C) online markedsplads var på udkig til machine learning og AI til at bekæmpe svig og forbedre brugerens oplevelse.
Carousell CTO og medstifter Lucas Ngoo sagde oprettelse af bruger tillid var afgørende for ejendommen, som købere vil købe varer fra de enkelte sælgere, de ikke kender personligt, eller ikke var bakket op af store navne.
Virksomheden begyndte at udforske anvendelse af machine learning mindre end et år gå, trykke TensorFlow og Googles Cloud-Machine Learning motor til at identificere og flag potentielle risiko for svig. For eksempel software vil være i stand til at fremhæve en person, der har sendt ud flere anmodninger til forskellige Carousell brugere, beder dem om at forlade stedet chat platform til at kommunikere.
Denne information, så ville blive sendt til selskabets tillid og sikkerhed team til at blive gennemgået og til at træffe de nødvendige foranstaltninger, for eksempel, at suspendere den enkeltes konto.
“Det vil ikke erstatte mennesker, men det øger menneskers dom…og hjælper med forudsigelse, der tidligere ikke var muligt. Ved udgangen af dag, det menneske er, at det stadig er nødvendigt at foretage den endelige opkald baseret på disse forudsigelser,” Ngoo sagde under en paneldiskussion på sit kontor.
“Vi ser machine learning [til sidst] at være integreret i alle dele af virksomheden, herunder bruger-oplevelse og sikkerhed,” sagde han, og tilføjer, at selskabet vil fortsætte med at udforske andre måder at udnytte machine learning.
Ifølge Nggo, Carousell i dag havde en svig sats på 0,05 procent.
Oyvind Roti, Google ‘ s Asia-Pacific og Japan leder af løsninger arkitekt for cloud, bemærkes, at afsløring af svig processer i fortiden, der er involveret i stort tal manuelt indstille regler og medarbejderne ville have til at omhyggeligt se gennem alle disse for at afgøre, om en transaktion er svigagtig.
Fremkomsten af AI og machine learning har hjulpet med at automatisere en masse af disse gentagelige processer, sagde Roti, der også var med i panelet. Machine learning ikke kun skære ned den nødvendige tid til at gennemgå og identificere potentielle risici, er det også kunne samle op på nye taktik hackere, der er vedtaget over tid for at omgå disse regler. Dette ville gøre det muligt for virksomheder til at holde op med cyberkriminelle.
Han understregede også, selv om, at mennesker, der stadig var behov for til at hoppe i og gøre den endelige beslutning og tage de nødvendige forholdsregler.
Chris Auld, Microsofts Sydøstasien vigtigste tekniske evangelist manager, var enige om, at bemærke, at det var vanskeligt at tilføre maskiner med værdier og moral. Dette understregede, at det er nødvendigt for mennesker at gøre, at værdien judegement, Auld sagde.
Og han ville vide det, da Microsoft sidste år var nødt til at lukke sin AI chatbot, Tay.ai, efter blot 16 timer, da det begyndte at plukke op inflammatoriske og racistiske udtalelser på Twitter.
At anerkende det fejlslagne eksperiment, Auld sagde, at denne oplevelse har understreget nødvendigheden af at tilføre menneskelige værdier, især som machine learning værktøjer lært fra, hvad de fandt på nettet, herunder uønskede menneskelig adfærd.
Han understregede også behovet for, at den IT-leverandør fællesskab at træde med forsigtighed ved kørsel machine learning og AI, eller de risikerer at få regeringer bærer ned på branchen med regler.
ZDNet derefter spurgt, hvordan det ville påvirke behovet for at afbalancere adgang til brugerens data, til at fodre machine learning modeller, og brugernes krav til beskyttelse af privatlivets fred. Google i særdeleshed, i denne uge indrømmede, at det fortsatte med at spore Android-brugeres position, selv når indstillingen er deaktiveret.
Mens han afviste at kommentere sagen, da det var ud fra hans fokus område, Roti sagde Google, med hensyn til machine learning, altid angivet på forhånd, at det havde intet ejerskab af de data, der anvendes til at fodre disse modeller. Dens enterprise-kunder, der anvendes og ejes af deres data, sagde han.
Han pegede på en anden udvikling i machine learning, der ikke afhænger af den brug af data, der for at træne. AlphaGo Nul var i stand til at mestre spillet uden forudgående menneskelige viden, og kun baseret på sin viden om spillets regler, og ved at spille helt tilfældig Gå spil mod sig selv. I tre dage, det besejrede sin forrige iteration, AlphaGo, 100 spil til 0.
Relaterede Emner:
Bank
Sikkerhed-TV
Data Management
CXO
Datacentre
0