Примене науке о подацима¶
Када научник за податке креира модел који аутоматски анализира податке, могућа је масовна експлоатација тог модела са приличним успехом. Наравно, пожељно је да се подаци током експлоатације и даље прикупљају и користе за даље унапређивање модела. Многи такви модели аутоматске анализе података су већ успешно примењени. Набројаћемо само неке од најпознатијих.
Преваре и откривање ризика: једна од првих примена науке о подацима је била у финансијама. Да би што боље процениле ризик од неизвршења обавеза и избегле лоше уговоре, банкарске компаније су користиле прикупљене податке о пословању за профилисање клијената (њихови ранији кредити и друге битне варијабле). Оваква аутоматизована анализа им је помогла да унапреде понуду услуга на основу куповне моћи купаца, односно да прецизније таргетирају клијенте.
Здравствена заштита: важна област у којој је примена науке о подацима уштедела огромно време стручњацима је здравство, и то у неколико врло различитих поддомена.
Анализа медицинских слика: наука о подацима се користи при откривању тумора, стенозе артерија, класификацији текстуре плућа и другим процедурама. Због огромне количине података користе се дистрибуирани системи, а оптималне вредности параметара се добијају разним техникама машинског учења.
Генетика и геномика: истраживање генетике довело је до већег разумевања утицаја ДНК на наше здравље, али реакције појединаца на лекове су често веома различите. Наука о подацима се користи за откривање везе између генетике, болести и одговора појединца на лекове. Ово омогућава квалитетнији персонализовани третман.
Развој лекова: да би се дошло до новог лека, потребан је низ година и милијарде лабораторијских тестова. Наука о подацима може да убрза и појефтини тај процес, тако што предвиђа стопу успеха појединих експеримената на основу биолошких фактора. На тај начин само најперспективније идеје улазе у касније фазе, укључујући лабораторијске експерименте и тестирање на живим бићима.
Аутоматска асистенција пацијентима и корисничка подршка: Мобилне апликације које користе вештачку интелигенцију могу да пруже основну здравствену подршку, обично као чет ботови. Корисник може да опише своје симптоме и да добије најважније информације о свом здравственом стању. Овај приступ пацијентима штеди време одласка у центар здравствене заштите и чекања на заказани преглед, а лекарима омогућава да се фокусирају на критичније случајеве.
Претрага интернета: претраживачи веба, као што су Гугл (Google), Јаху (Yahoo), Бинг (Bing), Аск (Ask), АОЛ (AOL) итд. користе науку о подацима да би у делићу секунде дали што бољи одговор на наш упит. Примера ради, познато је да само Гугл кроз разне напредне алгоритме пропушта више од 20 петабајта података сваког дана.
Циљано оглашавање: рекламирање на масовним медијима је веома скупо. Зато оглашивачи покушавају да своје рекламе што прецизније упуте својој циљној групи, јер на тај начин могу ефикасније да искористе уложена средства. Ово се односи на избор локације у граду, или избор догађаја на којима ће се реклама појавити на билборду, а у последње време све више на избор корисника на друштвеним мрежама и посетилаца популарних сајтова, којима се упућује реклама. Одлуке о овим изборима се доносе помоћу науке о подацима. Тако један посетилац сајта може да угледа рекламу за путовање, док други у исто време на истом сајту види рекламу за одређену врсту хране или неки филм. Захваљујући томе, дигитални огласи постижу много бољу стопу броја позива (CTR, call-through rate) него традиционалне рекламе. Параметри који се користе за одлучивање су претходно понашање корисника на сајту, а могу да се користе и друге особине корисника, ако су доступне. Зато су профили корисника постали предмет врло уносног трговања.
Препоруке на веб сајту: приликом онлајн куповине или изнајмљивања филма, често се дешава да на сајту добијемо препоруку шта би још могло да нам буде интересантно. Те препоруке су такође резултат примене науке о подацима, а као полазне информације се користе раније претраге клијената.
Напредно препознавање слика: вероватно знате да неки претраживачи, попут Гугла, омогућавају да потражите слику на интернету, тако што је отпремите као упит (reverse image search).
Исто тако, након постављања слике са пријатељима на одређеним друштвеним мрежама добијате предлог да означите своје пријатеље. Алгоритми за проналажење слика сличних датој, као и алгоритми за препознавање лица, развијени су користећи науку о подацима и машинско учење.
Препознавање говора: Познати примери масовне употребе препознавања говора су дигитални асистенти (Алекса, Сири, Кортана, Гугл војс и други). Алгоритми препознавања говора су настали уз помоћ науке о подацима, а имају потенцијал и за много озбиљније примене од кућних помоћника.
Видео игре: многи произвођачи видео игара користе машинско учење да би прилагодили понашање противника у игри (рачунара) нивоу играча и тиме игру учинили занимљивијом сваком играчу.
Налажење партнера: алгоритми за упаривање усамљених такође су засновани на науци о подацима.