为什么今天的实时经济需要机器学习

　　“机器学习”不仅仅是未来应用的流行语; 机器执行任务的概念通常需要人工智能。它的出现现在正在发生。它处于Gartner炒作周期的顶端。事实上，Gartner预测，到2022年，超过一半的数据和分析服务将由机器而不是人类执行，而今天这一比例为10%。虽然并非所有机器学习用例都包括实时分析，但市场上存在明确的增长趋势，即由机器学习提供的实时决策。

　　为什么你认为这种情况正在发生?在我看来，这是由今天的实时经济推动的，而且超过60%的人越来越觉得等待即将发生的事情会影响他们对基础品牌的看法。如果滞后影响身份或金钱，则尤其如此。

　　机器学习和人工智能是重要的技术，它们正在为企业，品牌甚至整个行业带来性的变革。他们能够大幅降低人工成本，产生新的和意外的见解，发现新模式，并从原始数据创建预测模型。在数据泛滥的世界中，他们还有能力实施数据分析并实现以前无法实现的实时自动化决策。当以自动化，低延迟的方式应用于实际数据时，结果可能会影响当前发生的业务活动。换句话说，由于等待，品牌不再有任何理由失去客户。

　　由于机器学习而成为可能的一些实时决策用例包括防欺诈，个性化和移动游戏的预防管理，广告机器人预防等。不要误会我的意思：有很多用例依赖于机器学习来创建推荐引擎 - 例如，Netflix电影推荐或Facebook优惠。机器学习与实时数据分析相结合，可以对高风险的商业活动产生切实的影响。下面，我将探讨一些使用情况变得更加明显的用例。

　　华为技术，通信，信息和技术解决方案提供商，采用的是落选lytical d atabase进行实时欺诈分析。这看起来像什么?在信用卡交易或移动电话支付中，每次刷卡或插入卡或敲击或扫描电话时，都会决定是否授权或拒绝付款。这需要最近训练的机器学习模型，以基于其在历史欺诈数据上接收的训练来识别欺诈行为。此培训发生在大数据系统中，该系统从内存中透析数据库接收导出的信息。然后，模型每天多次作为存储过程或用户定义的函数加载到数据库中。

　　欺诈预防不是一个单一的解决方案。由于欺诈者一直在不断改变他们的方法，因此以同样的速度不断更新机器学习欺诈模型是至关重要的。这使得决策质量高，误报率低。所有这一切都发生在实时信用卡事件流量为零停机时间。重要的是要注意预防与检测不同 - 并允许银行积极主动地捕获流中的欺诈而不是事后，导致更高的客户满意度分数和减少的财务风险。这不仅可以为金融机构节省成本，还可以通过最大限度地减少风险并防止欺诈行为来帮助他们保持较高的品牌价值。

　　就像银行一样，广告技术提供商必须迅速处理欺诈行为。移动广告以及移动电子商务中的大部分损害都是由广告机器人 - 恶意代码比特造成的，其行为类似于人们进行欺诈。广告代理商和广告客户每年损失数百万美元，并最终因为像Methbots这样的互联网欺诈行为而对其品牌声誉造成打击。机器人可以欺骗出版商销售广告空间的热门视频内容。然后，他们通过鼠标移动和假社交媒体信息模拟与视频交互的人。添加到该点击欺诈，当欺诈者点击(手动或自动)广告时出现意图使点击数字膨胀。为了实时检测和处理点击欺诈，广告商需要监控每次点击，检测异常并做出适当的响应。

　　要解决这些问题，解决方案必须快速，准确且足够灵活，以跟上现代欺诈攻击。检测和停止此类欺诈需要一个能够在授权广告支出之前吸收大量合法和欺诈流量并确定哪些流量属于每个类别的数据库。

　　WhiteOps是互联网上机器人检测和人工验证的提供商。它可以检测出复杂的机器人活动和其他自动威胁，从而导致广泛的广告欺诈，每年为代理商，广告商和品牌带来数百万美元的成本。作为其实时验证计划的一部分，WhiteOps每月在其数据库中处理数万亿笔交易，以查找欺诈活动。检测和防止广告机器人欺诈包括通过区分机器人行为与真实的人类行为来发现机器人。该公司的解决方案提供人工验证网络规模的广告活动，为10ms或更短时间内互联网上的任何广告印象提供实时决策。

　　结合机器学习和AI使公司能够在5ms到10ms内检测数据异常。目标是根据信息进行决策，甚至预测结果会是什么。这就是这种技术结合的美妙之处：人工智能和机器学习是强大的工具。再加上一个快速的内存中透析数据库，结果是许多业务领域的重大进步。由于预测和预防的能力成为成功与失败之间的差异，实时激增的价值 - 并有望解决尚未发现的问题。