Machine Learning Applications:

22+ Examples Across 4 Industries

Table of Contents 
Introduction 1 

Machine Learning in Ecommerce 2

Machine Learning in Health Care 7

Machine Learning in Finance 11

Machine Learning in Cybersecurity 15

Final Thoughts 18 

   
  
INTRODUCTION 
 
 

For  decades,  machine  learning  (ML)  remained  more  in  the  sphere  of  research  than  active 
implementation. Recent years, however, have seen a significant uptick in its adoption rate.  

Often  described  as  part  art  and  part  science,  the  technology  offers  an  abundance  of 
applications  for  virtually  every  industry.  From  online  shopping  to  epidemic  prevention, 
there  are  hardly  any  areas  of  modern  life  that  cannot  be optimized with a judicious use of 
algorithms. 

While  still  in  its  early  days,  the  technology is already delivering real benefits to those who 

embrace  it.  A  recent  ​report  by  PwC  concluded  that,  over  the  next  few  decades, AI will be 
the biggest commercial opportunity for businesses and nations. 

A  global  online  ​survey  by  McKinsey  in  2018  found  that  78%  of  respondents  reported 
receiving  significant  or  moderate  value  from  implementing  ML  solutions  in  their 
operations, while only 1% claimed they saw none or negative value. 

The  unprecedented  rise  of  AI  and  its  transformative  value  for  business and the society as 
a  whole  has  led  some  researchers to believe that it’s bound to become a “general-purpose 
technology,”  on  par  with  other  game-changing  inventions,  such  as  steam  engines  and  the 
internet. 

However, the key to maximizing the returns lies in forging a comprehensive ML strategy 
based  on  solid  technical  capabilities  in  AI  and a deep understanding of the potential use 
cases in your industry.  

We  hope  that  the  guide  we’ve  compiled  will  help  you  map  where  ML opportunities lie for 

 
your  business  and  inspire  you  to  incorporate  some  of  the  technology’s  transformative 
solutions to maintain a competitive edge. 

 
 
 
stxnext.com  1 
 
  
MACHINE LEARNING 
IN ECOMMERCE 
 
 

The  rise  of  online  shopping  is  undeniable,  and  so  is  the  competition  between  internet 
retailers.  To  get  ahead  of  the  curve,  ecommerce  businesses  are  increasingly  turning  to 
artificial  intelligence  to  better  understand  their  shoppers’  needs,  create  a  more 
personalized customer experience, and boost sales revenue as a result. 

The  sector  has  for  long  been  leading  the  way  for  the  adoption  of  artificial intelligence. By 
making  extensive  use  of  the  latest  machine  learning  solutions,  from  recommender 
systems  to  augmented  reality,  online  retailers  are  completely  transforming  how  we  shop 
online. 

It’s  ​estimated  that  AI  investments  in  the  sector  will  continue  to  grow,  totaling  to  a 
compound annual growth rate of 42.8% from 2019–2025. 

Recommender systems 
Recommender  systems  are  why  Netflix  always  seems  to  have  something  that  suits  your 
tastes  to  watch,  and  Spotify  keeps  finding  music  you  might  like.  They  have  been  a  key 
factor  in  the  commercial  success  of  giants  with  a  large  number  of  users,  but  they  can  be 
implemented with success on ecommerce platforms of any size. 

The  AI-powered  systems  analyze  consumers’  activity  and  browsing  data,  and  create 
product  recommendations  tailored  to  their  individual  needs  and  preferences.  To  widen 
the  range  of  products  and  services  presented  to  the  user,  they  also  take  into  account the 
behavior of consumers who display a similar taste. 

 
 
 
stxnext.com  2 
 
On  the  one  hand,  recommender  systems  are  a  great  way  for  marketers  to  increase  their 
sales  volumes.  On  the  other,  they’re  helping  consumers  broaden  their  preferences  and 
make more relevant choices in a world of product overload. 

Content personalization  
Businesses  that  want  to  thrive  in  the  highly  competitive  online  retail  sector  need  to  go 
beyond  generic  offers  or  even  basic  personalization,  such  as  page  layouts.  Thanks  to 
machine learning, they can offer their customers exactly what they want and then some.  

According  to  a  ​report  by McKinsey, personalization can deliver five to eight times the ROI 

on marketing spend and increase sales by 10% or more. 

Accenture’s  ​Personalization  Pulse  Check  report  found  that  businesses’  number  one 
challenge  in meeting consumer needs is “learning how to uniquely serve everyone without 
overwhelming anyone.” 

The  paper  also  said  that  nearly  half  of  the  surveyed  consumers  left  an  online  shopping 
website  and  went  on  to  make  a  purchase  on  another  site  simply  because  it  was  poorly 
curated.  The  vast  majority  (91%)  were  also  more  likely  to  shop  with  brands  who  provide 
them with personalized offers and recommendations. 

One  of  the  ways  businesses  can  inject  some  AI  into  their  one-to-one  marketing  is  by 
providing individualized incentives, such as birthday discounts. 

For  instance,  to  reduce  the  cart  abandonment  rate,  which  varies  between  60%  and  80%, 
online  retailers  can  use  artificial  intelligence  to  analyze  customers’  ​digital  body  language 
while  they’re  still  on the site, and then provide them with the right messages to encourage 
a purchase. 

Open Time Content is another AI-powered technology that helps marketers contextualize 
engagement.  It  populates  emails  with  content  at  the  time  they’re  opened for the ultimate 
real-time retail experience. 

To  make  the  offer  as  appealing  to  the  consumers  as  possible,  it  combines  their  previous 
shopping history with retailer’s latest offers, and updates each time the email is accessed. 

Chatbots 
Long  gone  are  the  days  when  talking  to  a  machine was frustrating and weirdly amusing at 
the same time. 

 
 
 
stxnext.com  3 
 
  

Thanks  to  natural  language  processing  algorithms—which  analyze and draw insights from 

chatbot  conversations  to  keep  improving  their  performance—the  quality  of  exchange  is 
often on par with that of human-to-human interactions. 

For  businesses,  using  chatbots  means  huge  savings  when customers require quick, simple 

answers. And since these are the most common inquiries, chatbots can do the job just fine. 

In  case  the  users  need  information  the  chatbot  can’t  provide,  it  can  instantly  put  them  in 
touch  with  one  of  the  customer  service  operatives,  making  sure  that  no  inquiry  goes 
unanswered. 

Dynamic pricing 
You’ve  certainly  noticed  how  the  price  of  your  Uber  ride  home  keeps  fluctuating 
depending  on  the time of day, weather conditions, and availability of drivers. Although the 
carrier’s  dynamic  pricing  is  legendary  (after  all,  the  company  has  ​over  100  experts 
working on them), the technique can benefit any business willing to invest in it. 

 
 
 
stxnext.com  4 
 
According  to  McKinsey​,  companies  that  implement  dynamic  pricing  report  2–5%  sales 
growth and 5–10% increase in margins as well as higher levels of customer satisfaction. 

The  idea  behind  the  practice  is  that  customers  get  a  personalized  price,  dependent  on  a 
specific  set  of  circumstances.  It  can  include  pricing  data  from  different  online  sources, 
including a company’s competitors, as well as customers’ individual shopping habits. 

Machine  learning  is  an  essential  element  in  this  process:  it  makes  it  possible  to  identify 
shoppers’ data patterns and to predict how responsive they might be to new prices. 

AI-powered A/B tests  

A/B  or  split  testing  is  a  common  practice  in  marketing  and  ecommerce.  It  consists  of 
showing  a  group  of  users  different  versions  of,  for  example,  a  website  or  an  article 
headline.  Then,  you  analyze  which  version  drew  more  clicks  and  encouraged  more 
interaction, and why. This version is the winner of the A/B test. 

Manual  implementation  of  the  tests  is  often  very  time-consuming,  and  it  takes  a  while  to 
produce  results.  By  injecting  artificial  intelligence  into  the  technique  you  can  make  your 
product  self-optimize in real time and deliver the best and most effective variation to your 
users, without the need to manually set up and fine-tune the A/B test. 

The AI component allows you to test a potentially infinite number of variables at any given 
time.  Notably,  it  can  also  take  into  account  users’  preferences  and  previous  browsing 
history to determine the most suitable combinations. 

Shoppable augmented reality—AR/VR  

Even  though  online  shopping  has  been  rapidly  gaining  ground,  many  consumers,  in 
particular  while  shopping  for  clothes  or  beauty  products,  still  stick  to  brick-and-mortar 
shops.  The  reason  is  simple:  trying  on  an  item  before  you  purchase  it  not  only  saves  you 
time and money, but it also makes the shopping experience fun. 

However,  thanks  to  artificial  intelligence,  consumers  no  longer  need  to leave their homes 
to discover new styles and curate their wardrobes. 

Augmented  reality  (AR),  often  used  together  with  AI  and  dubbed  the  ​future  of  retail​, 
allows  shoppers  to  virtually  try  on  products such as clothing, eyewear, or makeup—in real 
time. 

 
 
 
stxnext.com  5 
 
For  instance,  Pinterest  recently  partnered  with  cosmetic giants such as Estée Lauder, YSL 
Beauté,  and  Lancôme  to  launch  a  ​shoppable  AR  feature  that  allows  users  to  “try  on” 
different  lipstick  colors  using  the  app’s  built-in  camera.  The  platform  will  also  display 
similar lip shades on skin tones that match the user’s and let them explore related looks. 

 
Source: Pinterest 

The  UK  fashion  retailer  River  Island has used AR to enable its customers to visualize what 

their homeware products could look like in their own home using their smartphones. 

The  effect  lets  users  view  selected  products  in  3D  and  place  them  anywhere  within  their 
home.  Shoppers  were  also  given  the  option  to  take  a  screenshot  and  upload  it  to  social 
media for a chance to win the products. 

 
Although  the  use  of  AR  in  online  retail  is  not  common  yet,  the  spread  of  5G  is  likely  to 
accelerate its growth. 

 
 
 
stxnext.com  6 
 
  
MACHINE LEARNING 
IN HEALTH CARE 
 
 

The  potential  for application of artificial intelligence in health care and medical research is 

endless.  The  sector  is  well-suited  for  automation,  not  least  because  health  services 
worldwide produce staggering amounts of data every single day. 

Integrating artificial intelligence into the medical field can offer plenty of clinical benefits.  

It  can  improve  research,  discover  new  drugs, and help diagnose diseases more accurately. 

The  technology  also  has  a  lot  of  non-clinical  uses,  such  as  automation  of  administrative 
tasks and patient management systems. 

Although  the  sector  has  seen  plenty  of  innovation,  there  are  still  innumerable 
opportunities  for  companies  willing  to  get  involved  and  offer  AI  solutions.  In  the  UK,  for 
instance,  the  head  of  the  National  Health  Service  (NHS)  has  called  on  tech  firms  to  come 
forward  with  proposals  to  help  the  service  become  a  world  leader  in  the  use  of  artificial 
intelligence. 

The  ​goal  is  for  the  NHS  to  be  the  first  national  health  service  to  use  video  and  online 
consultations  to  digitize  outpatient  systems  and  involve  AI  in  the  process  of  interpreting 
scans, among some of the uses of the technology. 

According  to  the  chief  executive  of  UK  Research  and  Innovation,  “You  could  look  at 
almost  any  area  of  healthcare  and  see  that  advanced  data  science  –  if  I  could  put  it  that 
way  –  has  an  enormous  amount  to  offer.  This  technology  has  huge  potential  right  across 
the world of healthcare.” 

 
 
 
stxnext.com  7 
 
Given  how  wide  the  range of potential AI uses is, narrowing it down to just a few cases is a 
tall  order.  Therefore,  the  examples  we  compiled  below  are  just  a  taste  rather  than  a 
definitive list of the ways machine learning can be used in health care. 

Detection and diagnosis  

A  recent  ​study  found  that  artificial  intelligence  has  become  more  accurate  at  diagnosing 
diseases  from  medical  imaging than trained clinicians. For instance, in ​research conducted 
last  year,  AI  detected  95%  of  malignant  melanomas  from  dermoscopic  images,  while 
doctors were able to diagnose an average of 86.6%. 

Little  wonder  that  health  care  providers  around  the  world  have  scrambled  to  take 
advantage  of  deep  learning  to  improve  their  diagnosis  success  rates.  However,  AI 
solutions  are  often  poorly  integrated  with  clinical  workflows  and  EHR  systems.  This  is 
currently  the  biggest  blocker  for  implementing  AI  at  scale,  and  addressing  this  weakness 
has become a priority for healthcare companies. 

Treatment recommendation  
The  effectiveness  of  a  treatment  plan  depends  on  a  wide  range  of  factors,  from  previous 
medical  history  to  personal  lifestyle.  Artificial  intelligence  has  been  used  to  combine  and 
analyze patient data from various sources to determine the best course of treatment. 

The  ability  of  AI  to  process  such  huge  databases  and  make  tailored  recommendations  is 
revolutionizing  personalized  medicine.  The  machine  learning  component  increases 
accuracy, improves clinical outcomes, and makes medical treatments more affordable. 

Discovery of new drugs 

Developing  new  drugs  is  no  small  feat:  it  can  take  years  of rigorous trials and cost billions 
of dollars. 

Not  surprisingly,  the  pharmaceutical  sector  has  scrambled to come up with ways to speed 

up  the  process  and  make  it  more  effective.  Of  all  the  solutions  currently  available,  the 
benefits of applying artificial intelligence seem most promising. 

There  are  ​plenty  of  startups  working  in  the  sector,  with  some  of  them,  such  as  Cloud 
Pharmaceuticals, entering into ​collaboration​ with pharma giants. 

 
 
 
stxnext.com  8 
 
Notably,  as  the  number of novel first-in-class drugs coming to the market ​declines and the 
need  to  modernize  the  drug  discovery  process  becomes  evident,  the  investment  in  AI 
solutions in drug discovery ​continues to rise​. 

In  a  ​breakthrough  development​,  the  first drug molecule designed entirely by AI was set to 

enter  human  trials  in  January  2020.  The  compound,  created  to  treat  patients  with  OCD, 
was  developed  by  the  Oxford-based startup Exscientia in collaboration with the Japanese 
pharmaceutical  company  Sumitomo  Dainippon  Pharma.  It  took  just  a year to develop and 
marked a critical milestone for the increasing role of AI in drug discovery. 

Epidemic prevention 
The  recent  outbreaks  of  communicable  diseases, such as the coronavirus, Ebola, and Zika, 
have  shown  that  epidemics  spread  rapidly  and  place  a  huge  burden  on  public  health 
infrastructure.  Even  though  the  world  is  now  more  interconnected  than  ever,  we’re  still 
not adequately prepared to detect and counter epidemics. 

Artificial  intelligence  can  be  used  to  forecast  the  spread  of  infectious  diseases  and  stop 
them  from  turning  into  epidemics.  By  collating  and  analyzing  huge  and  disparate 
databases—such  as  weather,  wind  speed,  flight  data,  or  previous  outbreaks—it  can 
identify  outbreak-prone  areas,  optimize  the  allocation  of  resources,  and  support  disease 
prevention policies. 

For  instance,  ​AIME  created  a  tool  capable  of  predicting disease outbreaks 30 days before 

they  occur  with  at  least  80%  accuracy.  It’s  used  by  health  professionals around the world 
to tackle multiple mosquito-borne diseases such as dengue and Chikungunya. 

Streamlining of admin tasks  

The application of AI in the health care sector is by no means limited to clinical care.  

Given  that  ​30%  of  all  health  care  costs  are  associated  with  admin  tasks,  the  technology 
can  provide  significant  savings  by  automating  some  of  them.  And  since  health  services 
globally  are  chronically  underfunded,  a  demand  for  these  non-clinical  yet  essential 
solutions is bound to remain high. 

Artificial  intelligence  can  be  applied  with  success  in  administrative  processes  such  as 
maintaining  medical  records,  transcribing  notes,  issuing  repeat  prescriptions,  and  making 
appointments.  By  providing tools that automate mundane, labor-intensive tasks that have 

 
 
 
stxnext.com  9 
 
more  to  do  with  the  red  tape  than  providing  medical  treatment,  the  technology  allows 
health care staff to focus on the more urgent job of meeting patient needs. 

For  instance,  the  Johns  Hopkins  Hospital  in  Baltimore  has  been  able  to  speed  up  the 
process  of  assigning  hospital  beds  to  patients  by  30%  since  it  introduced  an  ​AI-powered 
allocation  system​.  The  solution,  which  combines  bed  availability  and  patient  clinical  data, 
helps  the  hospital  foresee  demand  for  beds  to  avoid  bottlenecks.  As  a  result,  patient 
waiting times have decreased while safety levels and revenue increased. 

Patient risk identification  

AI  can  help  clinicians  identify  at-risk  patients  in  real  time  and  prevent  avoidable  diseases 
by analyzing large amounts of historic medical data.  

Smart  wearables,  such  as  the  Apple  Watch,  can  monitor  wearers’  heart  rates  and  alert 
them  if  they  detect any irregularities. The gadget, which works in a way similar to the ECG 
machine  and  is  precise  enough  to  spot  early  signs  of  a  heart  attack  or  a  stroke,  has  been 
credited​ with saving countless lives. 

Artificial  intelligence  can  also  be  used  in  a  non-clinical  way  to  reduce  patient  risk.  For 
instance,  a  ​leading  London  hospital  developed  a  system  that  predicts  which  patients  are 
most  likely  to  miss  appointments  based  on  their  previous  record.  The  algorithm  not  only 

 
helps  clinicians  provide  better  care  but  also  saves  valuable  resources  and  cuts  waiting 
times. 

 
 
 
stxnext.com  10
 
  
MACHINE LEARNING 
IN FINANCE 
 
 

Although  the  naturally  conservative  financial  sector  has  not  led  the  way  for  adoption  of 
artificial intelligence, it is gradually opening up to the technology. 

Their  vast  potential  in  data  analysis,  optimization,  and  pattern  detection  mean  that 
ML-enabled  solutions  are  rapidly  replacing  outdated,  manual,  and  time-consuming 
practices that until recently were industry standards. 

Financial  institutions have applied artificial intelligence not only to protect their data from 
(increasingly  AI-powered)  attacks,  but  also  to  provide  better  customer  service  and 
streamline their processes. 

As  fintech  warms  up  to  the  technology, it is ​estimated that the AI market in the sector will 

grow, from USD 7.27 billion in 2019, to reach over 35.4 billion by 2025. 

Fraud detection 
Although  fraud  is  relatively  rare,  it  often  means  massive  losses  for  organizations  that 
don’t  have  adequate  safeguards  in  place.  ​According  to  experts​,  online  credit  card  fraud 
will amount to $32 billion in 2020. 

As  fraudsters,  including  state-sponsored  attackers,  increasingly  turn  to  machine  learning 
and  other  automation  techniques,  legacy  approaches  based  on  rules  and  predictive 
models  no  longer  offer  adequate  protection  from  the  emerging  threats.  To  keep  up  with 
the  escalating  sophistication  of  attacks,  defence  systems  used  by  financial  institutions 
have to include artificial intelligence in their arsenal. 

 
 
 
stxnext.com  11
 
ML-based  solutions  can  be  applied  to  combat  all  types  of  fraud,  including  unauthorized 
card  transactions,  insurance  claims,  and  loan  applications.  The  ML-powered  methods 
analyze  clients’  behavior  and  shopping  habits  to create a mechanism that triggers an alert 
when it detects an unusual transaction. 

They  enable  institutions  to  rapidly  and  accurately  detect  and move to neutralize complex 

threats that would have passed unnoticed through conventional systems. 

Credit scoring 
The  use  of  AI-based  tools  to  assess  credit  worthiness  is  one  of  the  most  common 
applications  of  the  technology  in  the  fintech  sector.  Traditional  rule-based  methods  can 
often  work  to  the  detriment  of  both  clients  and  lenders  as  they  focus  predominantly  on 
the potential borrowers’ previous spending history. 

Artificial  intelligence  can  make  the  credit  scoring  process  quicker  and  more  accurate  by 
taking  into  account  alternative  data  (such  as  online  behavioral  patterns  or  smartphone 
habits)  and  relationships  between  variables  that  are  often  invisible  to  conventional 
methods. 

For  financial  institutions,  the  use  of  AI  can  mean  lower  evaluation  costs,  more 
comprehensive  reviews,  and  fewer  risks  of  default.  For  clients,  in  particular  those  with 
weak  or  non-existent  formal  credit  history,  the  tools  can  offer  an  opportunity  to  access 
credit. 

In  late  2019, Fujitsu tapped into an opportunity opened up by a shortage of credit analysis 

specialists  in  Japan  by  developing  a  cloud-based  AI  tool  to  screen  potential  borrowers. 
The  platform  leverages  machine  learning  to  generate  credit  scores  based  on  bank  and 
business  transactions.  Although  it  still  requires  some  human  intervention,  it  automates 
many of the repetitive and labor-intensive elements of the credit-scoring process. 

Insurance underwriting 
In  comparison  to  some  other  areas  of  fintech—for  instance,  fraud  detection—the 
application  of  machine  learning  in  insurance  underwriting  is  not  yet  commonplace. 
However,  as  decision-makers  are increasingly warming up to the idea of introducing more 
automation to save costs, it’s likely to be used more widely. 

A  ​study  by  Accenture  found  in  2018  that  75%  of  surveyed  insurers  were  planning  to  use 
AI  to  automate  tasks  to  a  large  or  a  very  large  extent  in  the  following  three  years. 

 
 
 
stxnext.com  12
 
According  to  the  research,  63%  of  executives  believed  that  the  industry  would  be 
completely transformed by intelligence technologies. 

For  instance,  ​Lemonade​, an Israeli fintech, has taken the global insurance market by storm 

thanks  to  its  use  of  machine  learning.  The  whole process of both requesting coverage and 
making a claim is done through an ML chatbot and takes minutes to complete. 

However,  machine learning has the potential not only to lead to more efficiencies, but also 
to enable insurers to innovate more and grow new lines of business. 

Applying  the  technology  in  insurance  underwriting  means  more  powerful  and  accurate 
prediction  models  that  can  analyze  just  about  any  type  of  risk.  By  being  able  to  rapidly 
collect  and  assemble  vast  amounts  of  data,  AI  models  can  explore  a  virtually  unlimited 
number of factors that would normally be invisible to a human broker. 

Money laundering prevention 

In  the  last  decade,  90%  of  European  banks  have  been  fined for offences related to money 
laundering.  Recent  scandals  involving  ​ING  or  ​Deutsche  Bank  show  that,  no  matter  how 
large, no financial institution is immune from the risk. 

Even  though  money  laundering  is  estimated  to  account  for  as  much as ​2–5% of the global 
GDP​,  the  efforts  to  combat  the  practice  have  been  staggeringly  low.  There  is  a  real 
opportunity  for  AI  to  help  financial institutions replace inefficient and outdated practices, 
contain compliance costs, and respond to the increasing complexity of threats. 

For  instance,  natural  language  processing  can  enhance  customer  due  diligence  checks. 
Unsupervised  learning  can  aid  humans  in  distinguishing  between  usual  banking 
transactions and suspicious activity. 

Thanks  to  its  ability  to  consolidate  vast  amounts  of  data,  AI  can  also  identify  fraud 
patterns, reduce the number of false positives, and therefore drive efficiency savings. 

Portfolio management 
The  rise  of  big  data  means  that fund managers have access to more information than ever 
before  when  making  decisions  about  their  clients’  wealth.  Applying ML models to analyze 
the  data  opens  up  plenty  of  previously  inaccessible  opportunities  and,  as  a  result, 
enhances the investment process. 

 
 
 
stxnext.com  13
 
One  of  the  biggest  advantages  of  applying  AI  in  portfolio  management  is  the  ability  to 
conduct  detailed  market  simulations.  By analyzing swathes of data, algorithms can exploit 
hundreds  of  different  inefficiencies  at  once,  predict  investor  behavior,  and  help  provide 
more targeted results for the client. 

Although  AI  has  been  slowly  making  inroads  into  the  field,  its  spread  has  been  held  back 
by an overcautious approach towards the technology by asset managers. 

In  2017,  Japan’s  Government  Pension  Investment  Fund  (GPIF),  the  world’s  largest 
pension  fund,  contracted  Sony  to  ​research  how  it  can  apply  artificial  intelligence  to 
improve its asset manager portfolio monitoring. 

The  fund’s  CIO  noted  that  the  decision  to  venture  into  AI  was  borne  out  of  frustration 
with  the  slow adoption of the technology by the financial sector despite the many benefits 
it  can  offer.  He  ​noted  that  the  fund  “wanted  to  show  the  industry  that  people  like  GPIF, 
such  a  boring  institution,  can  benefit  from  AI.  We  are  basically  sending  a  message  to  the 
rest of the industry that they could be doing the same.” 

Algorithmic trading 
Algorithmic  trading,  also  called  automated  trading,  refers  to  the  use  of  AI  algorithms  to 
place trades. 

The  algorithms  consist  of  a  set  of  instructions,  such  as  timing,  price,  or  quantity,  which 
help  it  identify  a  relevant  trading  opportunity.  Once  such  an  opportunity  is  found,  the 
software places an order instantly and at the best possible price. 

Algorithmic  trading  removes  the  need for humans to monitor price changes and put in the 

orders  manually.  As  a result, it minimizes the possibility of mistakes based on human error 
or  bad  judgment.  It  also  carries  out  simultaneous  checks  on  multiple  market  conditions 
and identifies patterns to help forecast future performance. 

Although  currently  neural  networks  are  the most popular machine learning model used in 

algorithmic  trading,  natural  language  processing  and  predictive  analytics  are  gradually 
becoming more and more commonplace. 

Natural  language  processing  is  being  used  to  make  sense  of  the  latest  developments  and 
gauge  the  sentiment  of  the  market  by  analyzing,  for  example,  social  media,  RSS  feeds, 

 
press  releases,  and  newspaper  articles.  It  helps  traders  keep  up  with  all  these  sources, 
extract valuable information, and make correct trading decisions in real time. 

 
 
 
stxnext.com  14
 
  
MACHINE LEARNING 
IN CYBERSECURITY 
 
 

In cybersecurity, artificial intelligence is somewhat of a double-edged sword. 

Its  fundamental  ability  to  synthesize  data,  learn,  and  adapt  can  be  weaponized  to  exploit 
vulnerabilities  and  mount  highly  sophisticated  attacks.  It  can  be  used  to  compromise 
systems  much  faster  than  humans  and  cause  more damage, yet make the attacks virtually 
imperceptible. 

However,  as  the  technology  gradually  becomes  part  of  cyberattackers’  toolkits,  the  very 
same  capabilities  that  wreak  havoc  on  organizations’  systems  can  be  harnessed  by  them 
to  provide  a defensive response. In fact, the only way to combat the menace of adversarial 
AI is with even more and even smarter AI. 

Password protection and authentication 

While  several  years  ago  strong  passwords were a good guarantee of a safe account, this is 
no  longer  the  case.  Although  biometric  authentication  has  been  touted  as  a  more  secure 
alternative  to  textual  passwords,  it’s  not  very  convenient  and can be easily compromised, 
too.  For  instance,  researchers  were  able  to  get  around  it  using  ​AI-generated  synthetic 
fingerprints​. 

Since  ML-based  algorithms  ​can  now  be  used  to  compromise  and  wreak  havoc  on 
password-protected  security  systems  on  a  scale  not  seen  before,  the  only  way  to combat 
them  is  with  even  superior  AI solutions. And although there is no need to panic just yet, as 
the  threats  are  only  beginning  to  emerge,  companies  that  want  to  be  ahead  of  the  curve 
will need to adapt to the changing security landscape. 

 
 
 
stxnext.com  15
 
Artificial  intelligence  can  protect  you  from  password-guessing  attacks  by  checking 
passwords  for  complexity  and  suggesting  alternatives  when  necessary.  It  can  also 
enhance  biometrics  in  a  number  of  ways,  including  by  providing  facial  and  voice 
recognition with more precise authentication models. 

By  tracking  information  on  how  users  type,  AI  can  build  individual  keystroke  dynamics 
profiles to be used as part of multi-factor authentication. 

Cyber threat detection 

An  important  factor  in  thwarting  a  cyberattack  is  the  ability  to  detect  it  early.  As  the 
malicious  activity  spreads,  it  causes  progressively  more  damage.  It’s  not  just  security 
systems  that  get  compromised  as  a  result: a business’s brand image can suffer immensely, 
too, in particular if the attack involved customers’ data. 

And  yet,  according  to  IBM’s  2019  ​Cost  of  a  Data  Breach  Report​,  it  takes  businesses  an 
average of 279 days to identify and contain a breach. 

The  slow  response  rate  is  partly  due  to  the  ​overwhelming  amount  of  malware  being 
produced  on  a  daily  basis.  Additionally,  its  increasingly  complex  nature  makes  threat 
detection by conventional systems a Herculean task. 

To  counter  the  massive  growth  of  threats  and  nip  any malicious activity in the bud, AI can 
spot  anomalies  by  analyzing  data  with much more accuracy than existing IT solutions. The 
core  of  this  capability  consists  of  the  application of user behavior models. They pick up on 
even  the subtlest changes in how individual users interact with the IT systems and identify 
any red flags early on. 

Phishing detection and prevention control 

According  to  a  ​study  by  Verizon​,  phishing  is the most prevalent cybersecurity threat. Just 
like  other  threats,  phishing  tactics  are  increasingly  involving  sophisticated  AI,  which 
dramatically  decreases  the  ability  to  detect  and  neutralize  them  using  conventional 
methods. 

While  measures  such  as  increased  user  education  and  the  use  of password managers and 
multi-factor  authentication  play  an  important  role,  the  only  viable  solution to combat the 
attacks  calls  for  machine learning. Artificial intelligence can offer a platform-wide analysis 
of  communication  patterns,  and  detect  any  anomalous  activity  that  often  characterizes 
the first stages of an attack. 

 
 
 
stxnext.com  16
 
For  instance,  ​Phishing  AI  is  an  online  tool  that uses ML methods, such as computer vision, 
to  detect  precursors of phishing sites before they are used in an attack. It has the ability to 
track  over  10,000  phishing  sites  daily,  protect  end  users  from  visiting  them,  and ​alert the 
targeted organizations​ about the planned attacks. 

Vulnerability management 
According  to  one  ​report​,  it  takes  organizations  an  average  of  38  days  to  patch  up  a 
vulnerability.  Yet,  many  of  them  still  rely  on  traditional  vulnerability  assessments  to 
identify  any  areas  prone  to  exploitation,  such  as  outdated  software.  The  assessments 
often  fail  to  take  into  account  newer  assets,  for  instance  mobile  or  IoT  devices. Typically, 
they also lack the capabilities to prioritize risks, leading to an inadequate response. 

Given  how  time-intensive  and  prone  to  failure  the  process  is,  vulnerability  detection  and 
management  stands  to  benefit  enormously  from  the  introduction  of  AI-powered 
solutions.  In  fact,  since  this  task  can  require  meticulous  and  tedious  sifting  through  code 
line by line, it seems particularly well-suited for automation. 

ML  can  be  used,  one  the  one  hand,  to  proactively  examine  the  systems  down  to  a  level 
unattainable  to  humans  and  provide  a  predictive  risk  analysis  of  a  large number of attack 
vectors. 

On  the other hand, the technology can, for instance, track hackers’ chat rooms on the dark 
web  and  analyze  attack  patterns  help  organizations prepare to repel them. Importantly, it 
can also prioritize the threats, helping businesses reduce operational costs. 

For  instance,  a  UK  company  ​Darktrace  has  developed  a  tool  called  Enterprise  Immune 
System,  which  applies  AI  in  a  way  that  emulates  how  a  human body defends itself against 
infections. 

Unlike  traditional  methods  that  come  with  pre-defined  threats,  the  innovative  tool  uses 

 
unsupervised  machine  learning  to  learn  the  “patterns  of  life”  of  the  organization’s  each 
and every unit, then spot any early signs of deviations that would otherwise go unnoticed. 

 
 
 
stxnext.com  17
 
  
FINAL THOUGHTS 
 
 

From  personalized  film  recommendations  on  Netflix through email phishing protection to 

smart  watches  monitoring  the  wearer’s  heart  rate,  AI-powered  solutions  touch  almost 
every aspect of our lives. 

The  innovative services created with machine learning are already disrupting the markets. 
Businesses  that  want  to  remain  relevant  in  the  fast-changing  digital  landscape  simply 
cannot afford to overlook these opportunities. 

However, applying the technology is never a matter of just picking an algorithm or copying 
solutions  used  by  other  companies  operating  in  your  industry.  To  identify  the  best 
possible  strategy,  it’s  crucial  to  take  a  holistic  approach  that  takes  into  account  your 
overall business objectives and technical capabilities.  

We’ve  been  helping  businesses  like  yours  build  tailor-made  ML  solutions  to  meet  their 
unique requirements and get a competitive edge. 

We  don’t  stop  at  creating  the  perfect  AI  model  for  our  customers,  though.  Our  services 
also come with end-to-end product design and software development. 

Feel free to take a look at the ​full range of our ML services and let us know if we can help 
in any way. 

 
 
 
stxnext.com  18