Kajian Kes Dunia Sebenar

• Kajian kes dunia sebenar membantu kita memahami bagaimana sistem AI direka, digunakan dan dimanfaatkan untuk menyelesaikan masalah perniagaan sebenar.
• Ia merangkumi perjalanan hujung ke hujung daripada pernyataan masalah kepada reka bentuk sistem, pelaksanaan dan impak.
• Topik ini penting untuk temu duga dan membantu mempelajari reka bentuk praktikal dan pertukaran.

1. 1Fahami pendekatan penyelesaian masalah dunia sebenar.
2. 2Pelajari pertukaran reka bentuk sistem.
3. 3Lihat bagaimana konsep teori diaplikasikan dalam praktik.
4. 4Membantu perbincangan temu duga (reka bentuk, kebolehskalaan, kos).
5. 5Belajar daripada kisah kejayaan dan cabaran.
6. 6Perbaiki pemikiran perniagaan dan produk.
7. 7Fahami pilihan data, model dan infrastruktur.
8. 8Dapatkan idea untuk projek anda sendiri.

1

Chatbot & Pembantu Maya

Sokongan pelanggan.

2

Sistem Cadangan

E-dagang, OTT.

3

Pemahaman Dokumen

Kewangan, penjagaan kesihatan.

4

Carian & Dapatan Semula Pengetahuan

RAG.

5

Analisis Imej & Video

Keselamatan, penjagaan kesihatan.

6

Pengesanan Penipuan

Perbankan, pembayaran.

7

Analitik Ramalan

Permintaan, pelanggan berhenti, risiko.

8

Ejen AI

Automasi, tugasan berbilang langkah.

Pernyataan masalah. Sebuah syarikat mahu membina chatbot yang boleh menjawab pertanyaan pengguna menggunakan dokumentasi dalaman (PDF, pusat bantuan, manual).

Perkara utama

1. 1Guna pangkalan data vektor untuk dapatan semula dokumen.
2. 2Guna pemecahan, benam dan carian kesamaan.
3. 3Tambah prompt dengan konteks yang diperoleh kepada LLM.
4. 4Laksanakan caching untuk pertanyaan yang kerap.
5. 5Jejak metrik (masa respons, relevansi, maklum balas pengguna).

Pernyataan masalah. Sebuah platform e-dagang mahu mencadangkan produk kepada pengguna berdasarkan sejarah carian, pembelian dan tingkah laku semakan mereka.

Perkara utama

1. 1Guna penapisan berasaskan kandungan dan kolaboratif.
2. 2Tangani masalah permulaan sejuk untuk pengguna baharu.
3. 3Guna metrik penilaian dalam talian dan luar talian (Precision@K, Recall@K).
4. 4Latih semula model dengan data baharu secara berterusan.
5. 5Laksanakan cadangan masa nyata menggunakan caching dan stor ciri.

Pernyataan masalah. Sebuah bank mahu mengekstrak maklumat utama (nama, nombor akaun, jumlah, tarikh, dll.) daripada pelbagai dokumen (KYC, invois, penyata).

Perkara utama

1. 1Guna OCR untuk dokumen yang diimbas (Tesseract / Textract).
2. 2Guna LLM atau model NER untuk pengekstrakan medan.
3. 3Tangani format dan susun atur dokumen yang berbeza.
4. 4Sahkan data yang diekstrak dengan peraturan perniagaan.
5. 5Guna manusia dalam gelung untuk keputusan berkeyakinan rendah.

Pernyataan masalah. Sebuah platform pembayaran mahu mengesan transaksi penipuan secara masa nyata untuk mencegah kerugian kewangan.

Perkara utama

1. 1Guna teknik pembelajaran terselia dan tidak terselia.
2. 2Tangani data tidak seimbang (kes penipuan jarang berlaku).
3. 3Guna penstriman masa nyata (Kafka + Flink / Spark).
4. 4Tetapkan ambang berdasarkan selera risiko.
5. 5Pantau dan latih semula dengan corak penipuan baharu secara berterusan.

1

Netflix

Cadangan filem yang diperibadikan.

2

Uber

Ramalan ETA dan ramalan permintaan.

3

YouTube

Cadangan video dan penyederhanaan kandungan.

4

Penjagaan kesihatan

Analisis imej perubatan (X-ray, MRI).

5

HR Tech

Saringan resume menggunakan LLM.

6

Perusahaan

Carian pengetahuan dalaman menggunakan RAG.

7

Sokongan Pelanggan

Ejen AI untuk pengendalian tiket automatik.

8

Kenderaan Autonomi

Penglihatan komputer dan pembuatan keputusan masa nyata.