Innehåll
F:
Hur kan den kinesiska restaurangprocessen och andra liknande maskininlärningsmodeller tillämpas på företagens AI?
A:
Frågan om hur den kinesiska restaurangprocessen kan instruera företag AI är en intressant, eftersom just nu företagen i alla typer av branscher tar fram handlingsbara idéer från maskininlärning i allmänhet och dessa typer av algoritmeprocesser i synnerhet.
Den kinesiska restaurangprocessen är en del av sannolikhetsteorin, delvis baserad på Dirichlets stokastiska processer, som kan styra randomisering av partitioner.
Ett enkelt sätt att förklara den kinesiska restaurangprocessen är att i en imaginär kinesisk restaurang med oändliga bord kommer människor att klustera sig vid dessa bord enligt en given uppsättning sannolikheter som används av algoritmen. Sedan kommer algoritmen att modellera hur många personer som kommer att sitta vid varje bord, där tabellerna är "partitionerna". Randomiseringen eller sannolikheten i den kinesiska restaurangprocessen kan visas i matematisk form.
Hur påverkar dessa algoritmeprocesser företagets IT? Det finns många sätt som företag kan använda dessa konstruktioner för att använda big data med maskininlärning eller utveckla värdefull affärsintelligens genom denna typ av modellering. Till exempel, bokstavligen, kan den kinesiska restaurangprocessen användas för att förutsäga kluster av kunder vid bord på en restaurang, eller på en pop-up detaljhandelsplats eller någon annanstans. Men kanske ett bättre exempel skulle vara i transaktions detaljhandeln, där komplexa kinesiska restaurangprocessbaserade algoritmer kan hjälpa till att förutsäga kundaktivitet som köp / konverteringar eller efterfrågan på befintligt eller framtida lager.
I en mycket allmän bemärkelse försöker dessa stokastiska processer modellera mänskligt beteende, beteendet hos massor av människor, på sätt som bygger företagsinformation och direkt beslutsfattande. I CRM, lagerkontroll, lön, produktutveckling och nästan alla andra aspekter av verksamheten, kan den kinesiska restaurangprocessen och liknande idéer användas för prediktiv analys med rätt sorters riktad modellering.
En annan större och omedelbar användning av den kinesiska restaurangprocessen har dock lite att göra med modellering av mänskligt beteende. Den kinesiska restaurangprocessen kan också användas för "diskriminerande" arbete på hög nivå, som vid bildbehandling. Att utveckla kluster av bilder enligt en kinesisk restaurangprocess kan hjälpa maskininlärningsprogram att bättre anpassa sig till uppsättningar av utbildningsregler och ge diskriminerande resultat. Så på något sätt kan den kinesiska restaurangprocessen användas för antingen beteendemodellering, teknisk modellering eller båda.