实例探究.
添加案例
我们的案例数据库覆盖了全球物联网生态系统中的 18,927 家解决方案供应商。
您可以通过筛选条件进行快速浏览。
Download Excel
筛选条件
-
(5)
- (5)
- (2)
-
(4)
- (4)
- (1)
- (6)
- (3)
- (2)
- (1)
- (5)
- (4)
- (1)
- (1)
- (4)
- (3)
- (2)
- (2)
- (1)
- 查看全部 5 用例
- (6)
- (4)
- (1)
- (1)
- (6)
Selected Filters
|
利用 AI 自动化 KYC 验证：全球托管银行案例研究
一家全球托管银行在了解您的客户 (KYC) 流程中面临重大挑战。分析师和投资经理每年花费 10,000 多个小时审查和抄录 10-K，这对于验证公司身份、建立风险状况以及为多个业务流程提供信息至关重要。该银行每年处理 10,000 多份文件，每份文件的审核时间为 30 至 90 分钟。由于 10-K 的格式多种多样，这一过程变得更加复杂，如果有任何信息丢失或不正确，分析师就必须花费额外的时间来查找它。这不仅延长了客户入职流程，还给竞争对手提供了趁虚而入的机会。该银行曾尝试使用基于规则的系统来解决该问题，但事实证明该系统过于僵化，只能识别有限范围的信息。文档格式/布局。由于多个地区的法规不断变化，该系统还需要频繁更新，这需要几个月的时间才能实施。
|
|
|
|
四大咨询公司利用 NLP 通过 Snorkel Flow 进行高效审计
一家拥有百年历史的全球知名咨询公司正在寻求利用人工智能来增强其审计能力。该公司的声誉取决于其进行彻底审计的能力，无论审计规模、复杂程度或地点如何。该公司的专家花费大量时间手动审查各种会计、审计和行业信息，这一过程既耗时又昂贵。该公司估计每次审计员搜寻持续 10 分钟，平均花费 50-60 美元。该公司数据科学团队的任务是简化新闻监控，以预测资本市场、监管趋势或技术创新的变化。他们的目标是使用自定义 NLP 模型自动分析、分类和从各种来源提取关键客户信息。然而，他们在标记机器学习算法的训练数据方面面临挑战。三位专家每周需要标记 500 个训练数据点，他们发现几乎不可能动态适应数据或业务目标的变化。
|
|
|
|
乔治城大学的 CSET 利用 Snorkel Flow 进行 NLP 在政策研究中的应用
乔治城大学安全与新兴技术中心 (CSET) 面临着构建 NLP 应用程序来对复杂研究文档进行分类的挑战。目标是展示具有分析兴趣的科学文章，为数据驱动的政策建议提供信息。然而，该团队发现大规模的手动标记工作是不切实际的。他们最初尝试了 Snorkel 研究项目，该项目使他们能够在几周内以编程方式标记 90K 数据点，达到 77% 的精度。然而，数据科学家和主题专家之间的协作既耗时又低效，涉及电子表格、Slack 通道和 Python 脚本。此工作流程使得提高数据和模型质量成为一个缓慢的过程。该团队受到自动标记、获取数据可见性以及提高训练数据和模型质量的低效工具的限制。缺乏从模型训练和分析到标记的集成反馈循环也意味着数据科学家和主题专家必须花费很长的周期来重新标记数据以匹配不断变化的业务标准。这些挑战限制了团队交付生产级模型、缩短项目时间和承担更多项目的能力。
|
|
|
|
利用 Snorkel Flow 扩大 MSKCC 的临床试验筛选规模
纪念斯隆凯特琳癌症中心 (MSKCC) 是世界上历史最悠久、规模最大的癌症中心，它面临着通过对相关蛋白质 HER-2 的存在进行分类来确定患者作为临床试验研究候选者的挑战。审查 HER-2 患者记录的过程既费力又耗时，因为它需要临床医生和研究人员筛选复杂、多变的患者数据。 MSKCC 的数据科学团队希望使用 AI/ML 根据 HER-2 的存在对患者记录进行分类，但缺乏标记的训练数据是一个重大瓶颈。标记数据，尤其是复杂的患者记录，需要临床医生和研究人员的专业知识，而且速度缓慢且昂贵。即使专家能够手动注释训练数据，他们的标签有时也会不一致，从而限制了模型的性能潜力。
|
|
|
|
加强主动油井管理：斯伦贝谢使用通气管流量
斯伦贝谢是能源行业领先的技术和服务提供商，在从大量每日报告中提取关键信息方面面临着重大挑战。这些报告，从日常钻井报告到油井维护日志，都有其独特的结构和格式，使得斯伦贝谢团队很难快速提取必要的信息。该团队尝试使用命名实体识别 (NER) 自动提取信息，但现成的 ML 模型无法识别与勘探和生产 (E&P) 行业相关的科学术语。创建特定领域的训练数据集非常耗时且不可扩展，每个文档需要 1-3 个小时。该团队需要识别 18 个不同的行业特定实体，并自动将数据与这些实体关联起来。然而，丰富的信息隐藏在 PDF 中的表格和原始文本中，不同公司的报告格式各异。领域专家和数据科学家之间的合作也很差，文件共享和临时会议很繁琐。
|
|
|
|
使用基础模型加速 NLP 应用程序开发：Pixability 案例研究
Pixability 是一家数据和技术公司，为广告商提供准确定位 YouTube 上的内容和受众的能力。然而，由于每天观看的 YouTube 内容超过 7 亿小时，Pixability 面临着持续准确地对数十亿视频进行分类以确保广告在适合品牌的内容上投放的挑战。他们现有的用于视频分类的自然语言处理 (NLP) 模型的性能不够强。由于依赖需要多次迭代的外部数据标记服务，为机器学习解决方案标记训练数据的过程很慢。由于时间有限，领域专家和数据科学家必须解决不明确的标签，因此协作受到限制。此外，标题、描述、内容和标签中的有价值信息很难标准化。
|
|
