ทำไมตัวแทนฝ่ายบริการลูกค้าทุกคนจะมีผู้ช่วย AI ในไม่ช้า

ทำไมตัวแทนฝ่ายบริการลูกค้าทุกคนจะมีผู้ช่วย AI ในไม่ช้า

เว็บไซต์

Umesh Sachdev เต็มไปด้วยการมองโลกในแง่ดีและความเชื่อมั่นในตนเอง
“ถ้าไม่ใช่นวัตกรรม ถ้าไม่แหวกแนว ถ้าไม่ใช่สิ่งที่ยังไม่ได้พยายามหรือทำ ฉันจะไม่แตะต้องมัน” เขากล่าว “แต่ถ้ามีคนบอกฉันเกี่ยวกับปัญหาที่ยากมาก ปัญหาที่บริษัทที่ใหญ่ที่สุดในโลกไม่สามารถแก้ไขได้ ฉันจะไล่ตามมันไปด้วยความแค้น”

การออกแบบเว็บไซต์

การมองโลกในแง่ดีเชิงรุกและความมั่นใจในตนเองนั้นเป็นลักษณะที่เขาต้องการเพื่อให้ประสบความสำเร็จทั้งในฐานะผู้อพยพ — เขาเติบโตขึ้นมาในอินเดีย — และผู้ก่อตั้งและซีอีโอของUniphore ซึ่งเป็นบริษัท AI เชิงสนทนา Uniphore เริ่มต้นชีวิตในปี 2008 และได้รวบรวมเงินทุนไปแล้วกว่า 220 ล้านดอลลาร์
บริษัทสร้าง AI ที่รับฟังการโทรติดต่อฝ่ายบริการลูกค้าและดำเนินการด้วยตนเอง เช่น ดึงข้อมูลลูกค้า บันทึกข้อมูลลงใน CRM และนำการเปลี่ยนแปลงไปใช้กับบัญชีตามที่ลูกค้าร้องขอ Sachdev กล่าวว่าแนวคิดนี้คือการจัดให้มีผู้ช่วยดิจิทัลที่จดบันทึกและทำงานปกติในขณะที่มนุษย์พูดคุยกัน
หลังจากรอบล่าสุด — การลงทุน 140 ล้านดอลลาร์นำโดย Sorenson Capital Partners — Sachdev ได้นั่งคุยกับ Built In เพื่ออธิบายวิสัยทัศน์ระยะยาวของเขาสำหรับ AI เชิงสนทนาและภูมิหลังของเขาบอกถึงแนวทางในการเป็นผู้นำองค์กรของเขาอย่างไร
แนวโน้มเทคโนโลยีระยะยาวที่คุณกำลังดูอยู่ในอุตสาหกรรมของคุณตอนนี้มีอะไรบ้าง
ประโยชน์ของการใช้ชีวิตในกรอบเวลา 20 ถึง 30 ปีคือการที่คุณถูกบังคับให้ตั้งคำถามว่าอะไรจะทำให้คุณมีความเกี่ยวข้องในอีก 15 ปีนับจากนี้ และคุณหว่านเมล็ดพันธุ์ของรากฐานนั้นด้วยขอบฟ้าระยะยาวนั้น
ถ้าฉันคิดถึงเผ่าพันธุ์มนุษย์ในฐานะสปีชีส์ ภาษาที่เราพูดคือเสียงของเรา ไม่ว่าเราจะเกิดที่ไหน เราแสดงออกผ่านคำพูดและน้ำเสียงของเรา เป็นงานวิจัยที่ซับซ้อนและน่าตื่นเต้นมาก และไม่ใช่สาขาที่จะได้รับการแก้ไขอย่างเต็มที่จากมุมมองด้านการวิจัยและพัฒนาในช่วงชีวิตของเรา ฉันสามารถใช้เวลาทั้งชีวิตในการพยายามทำให้คอมพิวเตอร์เข้าใจมนุษย์มากที่สุดเท่าที่จะทำได้และยังไม่สามารถไปถึงที่นั่นได้ ที่ดึงดูดใจฉันมาโดยตลอด
เมื่อเร็ว ๆ นี้ ฉันยังตระหนัก โดยเฉพาะอย่างยิ่งในช่วงที่มีการระบาดใหญ่ เราไม่เพียงแค่ใช้น้ำเสียงและน้ำเสียงของเราเท่านั้น เป็นเหตุผลหนึ่งที่ทำให้เราเลือกประชุมทางโทรศัพท์ผ่าน Zoom แทนการเชื่อมต่อด้วยเสียงเท่านั้น นั่นคือ การสื่อสารแบบไม่ใช้คำพูด เมื่อคุณพยักหน้า เมื่อคุณเลิกคิ้ว เมื่อคุณอธิษฐานด้วยไอโฟน เมื่อคุณมองไปทางอื่น และฉันรู้ว่าคุณกำลังฟุ้งซ่าน นี่เป็นรูปแบบการสื่อสารและฉันปรับสิ่งที่ฉันพูดตามนั้น ดังนั้น หากเราต้องการทำให้คนมีประสิทธิภาพมากขึ้นในที่ทำงานในขณะที่พวกเขากำลังสนทนาอยู่ เราจะรวมการสื่อสารด้วยวาจา การสื่อสารด้วยโทนเสียง และการสื่อสารด้วยภาพ เหมือนกับที่สมองของมนุษย์ทำในการรับรู้ AI จะต้องพิจารณาทั้งสามแบบเรียลไทม์ มันสามารถบอกคุณได้เมื่อคุณสูญเสียผู้ฟัง หรือบางส่วนของคำพูดหรือการสนทนาของคุณที่พวกเขาชอบจริงๆ
ตอนนี้คุณกำลังดำเนินการกับวิสัยทัศน์ระยะยาวนั้นอย่างไร?
เรามีนักวิทยาศาสตร์ชั้นนำและปริญญาเอกบางคนในโลกที่ทำงานเพื่อแก้ปัญหาภาษาศาสตร์เชิงคำนวณ เพื่อทำให้เครื่องจักรเข้าใจคำพูดของเราในหลายภาษาและรูปแบบภาษาถิ่นให้มากที่สุดเท่าที่เราจะทำได้
การประมวลผลภาษาธรรมชาติเป็นสิ่งสำคัญสำหรับเราเช่นกัน เมื่อคุณถอดเสียงการประชุมหรือการโทรแล้ว คุณจะให้เครื่องเข้าใจว่าเกิดอะไรขึ้นได้อย่างไร ดังนั้นเราจึงกำลังทำงานเกี่ยวกับการแยกเจตนา การดึงเอนทิตี และการสร้างแบบจำลองหัวข้อเพื่อช่วยให้ AI เข้าใจการสนทนา
“ไม่ใช่ว่ามีใครเคยท้าทายให้ฉันสร้างสตาร์ทอัพที่ใหญ่ที่สุดเท่าที่ฉันทำได้ แต่ฉันมีความหิวกระหายภายในและปรารถนาที่จะพิสูจน์อะไรบางอย่างกับตัวเอง”
พื้นที่ที่สามที่เรากำลังดำเนินการอยู่คือการมองเห็นคอมพิวเตอร์ เมื่อต้นปีนี้ เราได้รับบริษัทสตาร์ทอัพสัญชาติสเปนที่สดใสชื่อ Emotion Research Lab ซึ่งทำหน้าที่จดจำอารมณ์ใบหน้า เรากำลังอยู่ระหว่างการผสมผสานเทคโนโลยีของพวกเขา — ซึ่งสามารถจดจำการพยักหน้า การแสดงออกทางสีหน้า และการเคลื่อนไหวอื่นๆ — ด้วยเทคโนโลยีทางวาจาและวัฒนธรรมของเรา เป็นการฝึกฝนครั้งใหญ่ในการรวมเข้าด้วยกัน เพราะเรากำลังทำให้แน่ใจว่าอัลกอริทึมของเราได้รับการฝึกฝนกับผู้คนจากกว่า 20 ประเทศ ข้ามเพศ ข้ามกลุ่มอายุ ข้ามเชื้อชาติ ดังนั้นเมื่อเทคโนโลยีนี้ดูการสนทนาทางวิดีโอของผู้พูดหลายคน หวังว่าจะไม่มีอคติในการถอดรหัสสิ่งที่เห็น และสิ่งที่กำลังวิเคราะห์ และคำแนะนำที่ยินดีจะนำเสนอเกี่ยวกับอารมณ์และความรู้สึกของผู้คน
คุณจะบอกว่าแนวทางในการเป็นผู้นำของคุณส่งผลต่อ Uniphore ในฐานะธุรกิจอย่างไร?
ถ้าฉันรู้ว่าสิ่งที่ฉันทำนั้นส่งผลดีต่อชีวิตหลายล้านคนและทำให้โลกนี้น่าอยู่ขึ้น นั่นคือสิ่งที่ผลักดันฉัน ฉันไม่ได้โทษใครซักคนที่ถูกขับเคลื่อนด้วยการสร้างผลิตภัณฑ์ที่ยอดเยี่ยม การขายทิ้งและดำเนินการในสิ่งต่อไป หากคุณไม่ต้องการขยายขนาด คุณมอบมันให้กับบริษัทขนาดใหญ่ ขาย IP ของคุณและทำสิ่งต่อไป แต่ฉันไม่ได้ตัดจากผ้านั้น
ฉันเกิดและเติบโตในอินเดีย ฉันก่อตั้งบริษัทนี้ในอินเดียก่อนจะย้ายเข้าไปอยู่ในสหรัฐอเมริกา และขยายเราให้เป็นบริษัทระดับโลกซึ่งมีสำนักงานใหญ่อยู่ที่ซิลิคอน วัลเลย์ มุมมองที่ฉันได้รับจากการพบปะกับผู้อพยพจากส่วนต่างๆ ของโลกที่มายังสหรัฐอเมริกาเป็นเวลาหลายปีเหล่านี้ คือการที่ผู้อพยพส่วนใหญ่มีความปรารถนาอย่างแรงกล้าที่จะพิสูจน์บางสิ่งต่อใครสักคน เป็นความหิวที่อธิบายไม่ได้และไม่รู้จักพอ ไม่จำเป็นต้องขับเคลื่อนด้วยเงินเท่านั้น เงินมักจะเป็นหนึ่งในแรงจูงใจสามอันดับแรก แต่ไม่เคยเป็นปัญหาอันดับหนึ่ง
ฉันเห็นสิ่งนั้นในตัวฉันด้วย ไม่ใช่ว่ามีใครเคยท้าทายให้ฉันสร้างสตาร์ทอัพที่ใหญ่ที่สุดเท่าที่ฉันทำได้ แต่ฉันมีความหิวกระหายภายในและปรารถนาที่จะพิสูจน์บางสิ่งบางอย่างให้กับตัวเอง ว่าฉันสามารถย้ายไปอยู่ที่สหรัฐอเมริกา นครแห่งเทคโนโลยีและนวัตกรรม และสร้างบางสิ่งเกี่ยวกับตัวฉันเอง ฉันคิดว่ามันเป็นเอกลักษณ์ของประเทศนี้
อนที่เราจะพูดถึงฟังก์ชันการสูญเสียประเภทต่างๆ ที่ใช้ในการเรียนรู้อย่างลึกซึ้ง เรามาพูดถึงสาเหตุที่เราต้องการฟังก์ชันการสูญเสียตั้งแต่แรกกันก่อน ในการทำเช่นนั้น ก่อนอื่นเราต้องเรียนรู้เกี่ยวกับสิ่งที่เกิดขึ้นภายในโครงข่ายประสาทเทียม
เหตุใดเราจึงต้องการฟังก์ชันการสูญเสียในการเรียนรู้เชิงลึก
มีการดำเนินการทางคณิตศาสตร์ที่เป็นไปได้สองอย่างที่เกิดขึ้นภายในโครงข่ายประสาทเทียม:
การขยายพันธุ์ไปข้างหน้า
Backpropagation กับการไล่ระดับสีโคตร
ในขณะที่การแพร่กระจายไปข้างหน้าหมายถึงกระบวนการคำนวณของการทำนายผลลัพธ์สำหรับเวกเตอร์อินพุตที่กำหนด x การขยายพันธุ์ย้อนหลังและการไล่ระดับสีจะอธิบายกระบวนการปรับปรุงน้ำหนักและอคติของเครือข่ายเพื่อให้การคาดการณ์ดีขึ้น ลองดูสิ่งนี้ในทางปฏิบัติ
สำหรับเวกเตอร์อินพุตที่กำหนด x โครงข่ายประสาทจะทำนายผลลัพธ์ ซึ่งโดยทั่วไปเรียกว่าเวกเตอร์ทำนาย y
เราต้องคำนวณ dot-product ระหว่างเวกเตอร์อินพุต x และเมทริกซ์น้ำหนัก W1 ที่เชื่อมต่อเลเยอร์แรกกับเลเยอร์ที่สอง หลังจากนั้น เราใช้ฟังก์ชันการเปิดใช้งานแบบไม่เชิงเส้นกับผลลัพธ์ของ dot-product

เว็บแอพพลิเคชั่น

ฟังก์ชั่นการสูญเสียโดยย่อ
ฟังก์ชันการสูญเสียจะวัดว่าโมเดลโครงข่ายประสาทเทียมทำงานได้ดีเพียงใดในการทำงานบางอย่าง ซึ่งโดยส่วนใหญ่แล้วเป็นการถดถอยหรือการจัดประเภท
เราต้องลดค่าของฟังก์ชันการสูญเสียระหว่างขั้นตอน backpropagation เพื่อทำให้โครงข่ายประสาทดีขึ้น
เราใช้ฟังก์ชันการสูญเสียเอนโทรปีไขว้ในงานจำแนกเมื่อเราต้องการให้โครงข่ายประสาททำนายความน่าจะเป็นเท่านั้น
สำหรับงานถดถอย เมื่อเราต้องการให้เครือข่ายทำนายตัวเลขต่อเนื่อง เราต้องใช้ฟังก์ชันการสูญเสียข้อผิดพลาดกำลังสองเฉลี่ย
เราใช้ฟังก์ชันการสูญเสียข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์เฉลี่ยระหว่างการคาดการณ์ความต้องการเพื่อติดตามประสิทธิภาพของเครือข่ายในช่วงเวลาฝึกอบรม
เวกเตอร์การคาดการณ์สามารถแสดงได้หลายอย่างขึ้นอยู่กับงานที่เราต้องการให้เครือข่ายทำ สำหรับงานถดถอย ซึ่งโดยพื้นฐานแล้วเป็นการทำนายตัวแปรต่อเนื่อง (เช่น ราคาหุ้น ความต้องการสินค้าที่คาดหวัง ฯลฯ) เวกเตอร์ผลลัพธ์ y มีตัวเลขต่อเนื่อง
โดยไม่คำนึงถึงงาน เราต้องวัดว่าการคาดการณ์ของเราใกล้เคียงกับฉลากความจริงเพียงใด
ในทางกลับกัน สำหรับงานการจัดประเภท เช่น การแบ่งกลุ่มลูกค้าหรือการจัดประเภทรูปภาพ เวกเตอร์ผลลัพธ์ y แสดงถึงคะแนนความน่าจะเป็นระหว่าง 0.0 ถึง 1.0
ค่าที่เราต้องการให้โครงข่ายประสาททำนายเรียกว่าฉลากความจริงพื้น ๆ ซึ่งมักจะแสดงเป็น y_hat ค่าที่คาดการณ์ไว้ใกล้กับฉลากชี้ให้เห็นถึงประสิทธิภาพที่ดีขึ้นของโครงข่ายประสาทเทียม
โดยไม่คำนึงถึงงาน เราต้องวัดว่าการคาดการณ์ของเราใกล้เคียงกับฉลากความจริงเพียงใด
นี่คือที่มาของแนวคิดของฟังก์ชันการสูญเสีย
ในทางคณิตศาสตร์ เราสามารถวัดความแตกต่าง (หรือข้อผิดพลาด) ระหว่างเวกเตอร์การทำนาย y และป้ายกำกับ y_hat โดยกำหนดฟังก์ชันการสูญเสียซึ่งค่าขึ้นอยู่กับความแตกต่างนี้
เนื่องจากเวกเตอร์การทำนาย y(θ) เป็นฟังก์ชันของน้ำหนักของโครงข่ายประสาทเทียม (ซึ่งเราย่อมาจาก θ) การสูญเสียจึงเป็นหน้าที่ของน้ำหนักด้วย
เนื่องจากการสูญเสียขึ้นอยู่กับน้ำหนัก เราจึงต้องค้นหาชุดของน้ำหนักที่ค่าของฟังก์ชันการสูญเสียมีค่าน้อยที่สุด เราบรรลุนี้ทางคณิตศาสตร์ด้วยวิธีการที่เรียกว่าโคตรลาด
ค่าของฟังก์ชันการสูญเสียนี้ขึ้นอยู่กับความแตกต่างระหว่างป้ายกำกับ y_hat และ y ความแตกต่างที่สูงขึ้นหมายถึงมูลค่าการสูญเสียที่สูงขึ้นในขณะที่ (คุณคาดเดาได้) ส่วนต่างที่น้อยกว่าหมายถึงมูลค่าการสูญเสียที่น้อยกว่า การลดฟังก์ชันการสูญเสียโดยตรงจะนำไปสู่การคาดการณ์ที่แม่นยำยิ่งขึ้นของโครงข่ายประสาทเทียมเมื่อความแตกต่างระหว่างการคาดคะเนและฉลากลดลง
วัตถุประสงค์เดียวของโครงข่ายประสาทเทียมคือการลดฟังก์ชันการสูญเสีย
อันที่จริง วัตถุประสงค์เดียวของโครงข่ายประสาทเทียมคือเพื่อลดฟังก์ชันการสูญเสียให้เหลือน้อยที่สุด เนื่องจากการลดฟังก์ชันการสูญเสียจะทำให้โมเดลโครงข่ายประสาทเทียมสามารถคาดการณ์ได้ดีขึ้นโดยไม่คำนึงถึงลักษณะที่แน่นอนของงานที่ทำอยู่
โครงข่ายประสาทเทียมแก้ไขงานโดยไม่ต้องตั้งโปรแกรมอย่างชัดเจนด้วยกฎเฉพาะงาน สิ่งนี้เป็นไปได้เนื่องจากเป้าหมายของการลดฟังก์ชันการสูญเสียให้น้อยที่สุดนั้นเป็นสากล และไม่ขึ้นอยู่กับงานหรือสถานการณ์
ที่กล่าวว่า คุณยังต้องเลือกฟังก์ชันการสูญเสียที่เหมาะสมสำหรับงานที่ทำอยู่ โชคดีที่มีฟังก์ชันการสูญเสียเพียงสามฟังก์ชันที่คุณต้องรู้เพื่อแก้ปัญหาแทบทุกอย่าง
3 ฟังก์ชั่นการสูญเสียคีย์
ฟังก์ชันการสูญเสียข้อผิดพลาดหมายถึงกำลังสอง
ฟังก์ชันการสูญเสียข้ามเอนโทรปี
หมายถึงข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์

  1. Mean Squared Error Loss Function
    ฟังก์ชันการสูญเสียความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) คือผลรวมของผลต่างกำลังสองระหว่างค่าในเวกเตอร์การทำนาย y และเวกเตอร์ความจริงพื้น y_hat
    คุณหารผลรวมของผลต่างกำลังสองด้วย N ซึ่งสอดคล้องกับความยาวของเวกเตอร์ หากเอาต์พุต y ของโครงข่ายประสาทเทียมของคุณเป็นเวกเตอร์ที่มีหลายรายการ ดังนั้น N คือจำนวนของรายการเวกเตอร์โดยที่ y_i เป็นหนึ่งรายการเฉพาะในเวกเตอร์เอาต์พุต
    ฟังก์ชันการสูญเสียข้อผิดพลาดกำลังสองเฉลี่ยเป็นฟังก์ชันการสูญเสียที่สมบูรณ์แบบ หากคุณกำลังจัดการกับปัญหาการถดถอย นั่นคือถ้าคุณต้องการให้โครงข่ายประสาทของคุณทำนายค่าสเกลาร์อย่างต่อเนื่อง

Web​ application

ตัวอย่างของปัญหาการถดถอยคือการทำนายของ
จำนวนผลิตภัณฑ์ที่จำเป็นในห่วงโซ่อุปทาน
ราคาอสังหาริมทรัพย์ในอนาคตภายใต้สภาวะตลาดบางประการ
มูลค่าหุ้น

  1. ฟังก์ชันการสูญเสียข้ามเอนโทรปี
    การถดถอยเป็นเพียงหนึ่งในสองประเด็นที่เครือข่าย feedforward ได้รับความนิยมอย่างมาก พื้นที่อื่น ๆ คือการจำแนกประเภท
    ในงานจำแนกประเภท เราจัดการกับการคาดการณ์ความน่าจะเป็น ซึ่งหมายความว่าผลลัพธ์ของโครงข่ายประสาทเทียมต้องอยู่ในช่วงระหว่างศูนย์ถึงหนึ่ง ฟังก์ชันการสูญเสียที่สามารถวัดข้อผิดพลาดระหว่างความน่าจะเป็นที่คาดการณ์ไว้กับป้ายกำกับซึ่งแสดงถึงคลาสจริงเรียกว่าฟังก์ชันการสูญเสียเอนโทรปีแบบไขว้
    สิ่งสำคัญอย่างหนึ่งที่เราต้องคุยกันก่อนจะดำเนินการต่อกับครอสเอนโทรปีคือสิ่งที่เวกเตอร์ความจริงพื้น ๆ ดูเหมือนในกรณีของปัญหาการจำแนกประเภท
    เวกเตอร์ป้ายชื่อ y_hat เป็นหนึ่งการเข้ารหัสแบบด่วน ซึ่งหมายความว่าค่าในเวกเตอร์นี้สามารถรับค่าที่ไม่ต่อเนื่องเป็นศูนย์หรือหนึ่งเท่านั้น รายการในเวกเตอร์นี้แสดงถึงคลาสต่างๆ ค่าของรายการเหล่านี้เป็นศูนย์ ยกเว้นรายการเดียวที่เป็นหนึ่ง รายการนี้บอกเราถึงคลาสที่เราต้องการจัดประเภทเวกเตอร์คุณสมบัติอินพุต x
    อย่างไรก็ตาม การทำนาย y สามารถใช้ค่าต่อเนื่องระหว่างศูนย์ถึงหนึ่งได้
    อันดับแรก เราต้องสรุปผลคูณระหว่างรายการของเวกเตอร์ฉลาก y_hat และลอการิทึมของรายการของเวกเตอร์การทำนาย y จากนั้นเราต้องลบล้างผลรวมเพื่อให้ได้ค่าบวกของฟังก์ชันการสูญเสีย
    สิ่งที่น่าสนใจอย่างหนึ่งที่ควรพิจารณาคือพล็อตของฟังก์ชันการสูญเสียเอนโทรปีแบบไขว้ ในกราฟต่อไปนี้ คุณสามารถดูค่าของฟังก์ชันการสูญเสีย (แกน y) เทียบกับความน่าจะเป็นที่คาดการณ์ไว้ y_i ที่นี่ y_i รับค่าระหว่างศูนย์ถึงหนึ่ง
    เราสามารถเห็นได้อย่างชัดเจนว่าฟังก์ชันการสูญเสียเอนโทรปีแบบไขว้เพิ่มขึ้นแบบทวีคูณสำหรับค่าที่ต่ำกว่าของความน่าจะเป็นที่คาดการณ์ไว้ y_i สำหรับ y_i=0 ฟังก์ชันจะกลายเป็นอนันต์ ในขณะที่สำหรับ y_i=1 โครงข่ายประสาทเทียมจะทำนายความน่าจะเป็นที่แม่นยำและค่าที่สูญเสียไปจะเป็นศูนย์
  2. ค่าเฉลี่ยข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์
    สุดท้าย เรามาถึงฟังก์ชันการสูญเสียเปอร์เซ็นต์สัมบูรณ์ข้อผิดพลาดเฉลี่ย (MAPE) ฟังก์ชันการสูญเสียนี้ไม่ได้รับความสนใจมากนักในการเรียนรู้อย่างลึกซึ้ง ส่วนใหญ่เราใช้เพื่อวัดประสิทธิภาพของโครงข่ายประสาทเทียมระหว่างงานพยากรณ์ความต้องการ
    อย่างแรกเลย: การคาดการณ์อุปสงค์คืออะไร?
    การคาดการณ์อุปสงค์เป็นพื้นที่ของการวิเคราะห์เชิงคาดการณ์ที่อุทิศให้กับการคาดการณ์ความต้องการที่คาดหวังสำหรับสินค้าหรือบริการในอนาคตอันใกล้ ตัวอย่างเช่น:
    ในการขายปลีก เราสามารถใช้แบบจำลองการคาดการณ์อุปสงค์เพื่อกำหนดปริมาณของผลิตภัณฑ์เฉพาะที่ควรมีจำหน่ายและราคาใด
    ในการผลิตทางอุตสาหกรรม เราสามารถคาดการณ์ได้ว่าแต่ละผลิตภัณฑ์ควรผลิตได้มากเพียงใด จำนวนสต็อคที่ควรมี ณ จุดต่างๆ ในเวลา และเวลาที่ควรทำการบำรุงรักษา
    ในอุตสาหกรรมการเดินทางและการท่องเที่ยว เราสามารถใช้แบบจำลองการคาดการณ์อุปสงค์เพื่อประเมินราคาที่เหมาะสมที่สุดสำหรับเที่ยวบินและโรงแรม โดยพิจารณาจากความจุที่มีอยู่ ควรกำหนดราคาใด (สำหรับโรงแรม เที่ยวบิน) จุดหมายใดควรให้ความสำคัญ หรืออะไร ควรโฆษณาประเภทบรรจุภัณฑ์

Robot Auto process

แม้ว่าการคาดการณ์ความต้องการจะเป็นงานการถดถอยและการย่อฟังก์ชันการสูญเสีย MSE ให้น้อยที่สุดเป็นเป้าหมายการฝึกอบรมที่เพียงพอ ฟังก์ชันการสูญเสียประเภทนี้เพื่อวัดประสิทธิภาพของแบบจำลองระหว่างการฝึกไม่เหมาะสำหรับการพยากรณ์ความต้องการ
ทำไมถึงเป็นอย่างนั้น?
ลองนึกภาพฟังก์ชันการสูญเสีย MSE ให้ค่า 100 แก่คุณ คุณบอกได้ไหมว่านี่เป็นผลลัพธ์ที่ดี ไม่ เพราะมันขึ้นอยู่กับสถานการณ์ หากการทำนาย y ของแบบจำลองคือ 1,000 และป้ายกำกับความจริงพื้นจริง y_hat คือ 1010 แสดงว่าการสูญเสีย MSE ที่ 100 อันที่จริงแล้วเป็นข้อผิดพลาดเล็กน้อยมากและประสิทธิภาพของแบบจำลองจะค่อนข้างดี