Mündəricat[Gizlət][Göstər]
İndi kompüterlər sayəsində kosmosun genişliyini və atomaltı hissəciklərin kiçik incəliklərini hesablaya bilərik.
Kompüterlər öz dövrələri vasitəsilə işıq sürəti ilə hərəkət edən elektronlar sayəsində sayma və hesablama, eləcə də məntiqi bəli/yox proseslərini izləyərkən insanları üstələyir.
Bununla belə, biz onları çox vaxt “ağıllı” görmürük, çünki keçmişdə kompüterlər insanlar tərəfindən öyrədilmədən (proqramlaşdırılmadan) heç nə edə bilməzdi.
Maşın öyrənməsi, o cümlədən dərin öyrənmə və süni intellekt, elmi və texnologiya başlıqlarında səs-küyə çevrilib.
Maşın öyrənməsi hər yerdə mövcuddur, lakin bu sözü istifadə edən bir çox insanlar onun nə olduğunu, nə etdiyini və nə üçün ən yaxşı istifadə edildiyini adekvat şəkildə müəyyən etmək üçün mübarizə aparacaqlar.
Bu məqalə maşın öyrənməsini aydınlaşdırmağa, eyni zamanda texnologiyanın nə üçün bu qədər faydalı olduğunu göstərmək üçün necə işlədiyinə dair konkret, real dünya nümunələrini təqdim etməyə çalışır.
Sonra biz müxtəlif maşın öyrənmə metodologiyalarına baxacağıq və onların biznes problemlərini həll etmək üçün necə istifadə edildiyinə baxacağıq.
Nəhayət, maşın öyrənməsinin gələcəyi ilə bağlı bəzi sürətli proqnozlar üçün kristal kürəmizlə məsləhətləşəcəyik.
Maşın öyrənmə nədir?
Maşın öyrənməsi, kompüterlərə bu nümunələrin nə olduğunu açıq şəkildə öyrətmədən məlumatlardan nümunələr çıxarmağa imkan verən kompüter elminin bir intizamıdır.
Bu nəticələr çox vaxt verilənlərin statistik xüsusiyyətlərini avtomatik qiymətləndirmək üçün alqoritmlərdən istifadə etməyə və müxtəlif dəyərlər arasındakı əlaqəni təsvir etmək üçün riyazi modellərin işlənib hazırlanmasına əsaslanır.
Bunu deterministik sistemlərə əsaslanan klassik hesablama ilə müqayisə edin, burada kompüterə müəyyən bir tapşırığı yerinə yetirməsi üçün riayət etməsi üçün açıq şəkildə bir sıra qaydalar veririk.
Kompüterləri proqramlaşdırmağın bu üsulu qaydalara əsaslanan proqramlaşdırma kimi tanınır. Maşın öyrənməsi qaydalara əsaslanan proqramlaşdırmadan fərqlənir və ondan üstündür ki, bu qaydaları özbaşına çıxara bilir.
Tutaq ki, siz kredit müraciətinin onların krediti üzrə uğursuz olub-olmadığını müəyyən etmək istəyən bir bank menecerisiniz.
Qaydalara əsaslanan metodda bank meneceri (və ya digər mütəxəssislər) kompüterə açıq şəkildə məlumat verəcək ki, ərizəçinin kredit balı müəyyən səviyyədən aşağıdırsa, ərizə rədd edilməlidir.
Bununla belə, maşın öyrənmə proqramı sadəcə olaraq müştərinin kredit reytinqləri və kredit nəticələri ilə bağlı əvvəlki məlumatları təhlil edəcək və bu həddi öz başına müəyyən edəcək.
Maşın əvvəlki məlumatlardan öyrənir və bu şəkildə öz qaydalarını yaradır. Əlbəttə ki, bu, yalnız maşın öyrənməsi ilə bağlı bir başlanğıcdır; real dünya maşın öyrənmə modelləri əsas hədddən əhəmiyyətli dərəcədə daha mürəkkəbdir.
Buna baxmayaraq, bu, maşın öyrənmə potensialının əla nümayişidir.
Necə edir maşın öyrənmək?
Hər şeyi sadə saxlamaq üçün maşınlar müqayisə olunan məlumatlarda nümunələri aşkar edərək “öyrənirlər”. Məlumatları xarici dünyadan topladığınız məlumat hesab edin. Maşın nə qədər çox məlumatla qidalanırsa, o, bir o qədər “ağıllı” olur.
Bununla belə, bütün məlumatlar eyni deyil. Tutaq ki, adada basdırılmış sərvətləri üzə çıxarmaq üçün həyat məqsədi olan bir piratsınız. Mükafatı tapmaq üçün böyük miqdarda bilik istəyəcəksiniz.
Bu bilik, məlumat kimi, sizi doğru və ya yanlış yola apara bilər.
Əldə edilən məlumat/məlumat nə qədər çox olarsa, bir o qədər az qeyri-müəyyənlik olur və əksinə. Nəticədə, öyrənmək üçün maşınınızı qidalandırdığınız məlumat növünü nəzərə almaq vacibdir.
Bununla belə, əhəmiyyətli miqdarda məlumat verildikdən sonra kompüter proqnozlar verə bilər. Maşınlar, keçmişdən çox kənara çıxmadığı müddətcə gələcəyi qabaqcadan görə bilir.
Maşınlar nə baş verə biləcəyini müəyyən etmək üçün tarixi məlumatları təhlil edərək "öyrənirlər".
Köhnə məlumatlar yeni məlumatlara bənzəyirsə, əvvəlki məlumatlar haqqında deyə biləcəyiniz şeylər çox güman ki, yeni məlumatlara şamil olunacaq. Sanki irəlini görmək üçün geriyə baxırsan.
Maşın öyrənməsinin növləri hansılardır?
Maşın öyrənməsi üçün alqoritmlər tez-tez üç geniş növə təsnif edilir (baxmayaraq ki, digər təsnifat sxemləri də istifadə olunur):
- Nəzarət olunan öyrənmə
- Təcrübəsiz öyrənmə
- Armatur öyrənmə
Nəzarət olunan öyrənmə
Nəzarət olunan maşın öyrənməsi maşın öyrənmə modelinə maraq kəmiyyəti üçün açıq etiketlərlə məlumat toplusunun verildiyi üsullara aiddir (bu kəmiyyət çox vaxt cavab və ya hədəf kimi adlandırılır).
Süni intellekt modellərini öyrətmək üçün yarı nəzarətli öyrənmə etiketli və etiketsiz məlumatların qarışığından istifadə edir.
Əgər siz etiketlənməmiş data ilə işləyirsinizsə, bəzi məlumatların etiketlənməsini həyata keçirməlisiniz.
Etiketləmə kömək etmək üçün nümunələrin etiketlənməsi prosesidir maşın öyrənmə təlimi model. Etiketləmə ilk növbədə insanlar tərəfindən həyata keçirilir ki, bu da bahalı və vaxt apara bilər. Bununla belə, etiketləmə prosesini avtomatlaşdıran üsullar mövcuddur.
Daha əvvəl müzakirə etdiyimiz kredit müraciəti vəziyyəti nəzarət altında olan öyrənmənin əla nümunəsidir. Bizdə keçmiş kredit ərizəçilərinin kredit reytinqləri (və ola bilsin ki, gəlir səviyyələri, yaş və s.) ilə bağlı tarixi məlumatlar, eləcə də sözügedən şəxsin öz krediti üzrə defolt edib-etmədiyini bildirən xüsusi etiketlər var idi.
Reqressiya və təsnifat nəzarət edilən öyrənmə üsullarının iki alt dəstidir.
- Təsnifat – Verilənləri düzgün təsnif etmək üçün alqoritmdən istifadə edir. Spam filtrləri bir nümunədir. “Spam” subyektiv kateqoriya ola bilər – spam və qeyri-spam rabitələri arasındakı xətt bulanıqdır – və spam filtri alqoritmi rəyinizdən asılı olaraq daim özünü təkmilləşdirir (insanların spam kimi qeyd etdiyi e-poçt deməkdir).
- Reqressiya – Asılı və müstəqil dəyişənlər arasındakı əlaqəni anlamaqda faydalıdır. Reqressiya modelləri müəyyən bir şirkət üçün satış gəlirlərinin təxminləri kimi bir neçə məlumat mənbəyi əsasında ədədi dəyərləri proqnozlaşdıra bilər. Xətti reqressiya, logistik reqressiya və polinom reqressiya bəzi görkəmli reqressiya üsullarıdır.
Təcrübəsiz öyrənmə
Nəzarətsiz öyrənmədə bizə etiketsiz məlumatlar verilir və sadəcə nümunələr axtarırıq. Tutaq ki, sən Amazonsan. Müştərinin alış tarixçəsinə əsaslanaraq hər hansı klaster (oxşar istehlakçı qrupları) tapa bilərikmi?
Hətta bizdə insanın üstünlükləri ilə bağlı açıq, qəti məlumatımız olmasa da, bu halda, sadəcə olaraq, istehlakçıların müəyyən dəstinin müqayisə olunan mallar aldığını bilmək bizə klasterdəki digər şəxslərin də satın aldıqlarına əsaslanaraq alış təklifləri verməyə imkan verir.
Amazon-un “sizi də maraqlandıra bilər” karuseli oxşar texnologiyalarla təchiz edilmişdir.
Nəzarətsiz öyrənmə, qruplaşdırmaq istədiyinizdən asılı olaraq, məlumatları klasterləşdirmə və ya assosiasiya vasitəsilə qruplaşdıra bilər.
- Kümelenme – Nəzarətsiz öyrənmə məlumatlarda nümunələri axtararaq bu çətinliyin öhdəsindən gəlməyə çalışır. Oxşar çoxluq və ya qrup varsa, alqoritm onları müəyyən bir şəkildə kateqoriyalara ayıracaq. Müştəriləri əvvəlki satınalma tarixçəsinə əsaslanaraq kateqoriyalara ayırmağa çalışmaq buna misaldır.
- Assosiasiya – Nəzarətsiz öyrənmə müxtəlif qrupların altında yatan qaydaları və mənaları anlamağa çalışaraq bu problemin öhdəsindən gəlməyə çalışır. Assosiasiya probleminin tez-tez nümunəsi müştəri alışları arasında əlaqənin müəyyən edilməsidir. Mağazalar hansı malların birlikdə alındığını bilməkdə maraqlı ola bilər və bu məlumatlardan asan əldə etmək üçün bu məhsulların yerləşdirilməsini təşkil etmək üçün istifadə edə bilər.
Gücləndirmə öyrənmə
Gücləndirici öyrənmə, interaktiv şəraitdə bir sıra məqsədyönlü qərarlar qəbul etmək üçün maşın öyrənmə modellərini öyrətmək üçün bir texnikadır. Yuxarıda qeyd olunan oyun istifadə halları bunun əla nümunələridir.
Siz hər birində “yaxşı” və ya “zəif” hərəkətlə işarələnmiş minlərlə əvvəlki şahmat oyunlarını AlphaZero-ya daxil etməyə ehtiyac yoxdur. Sadəcə ona oyunun qaydalarını və məqsədini öyrədin və sonra təsadüfi hərəkətləri sınamağa icazə verin.
Müsbət gücləndirmə proqramı məqsədə yaxınlaşdıran fəaliyyətlərə verilir (məsələn, möhkəm piyada mövqeyini inkişaf etdirmək). Hərəkətlər əks təsirə malik olduqda (məsələn, padşahı vaxtından əvvəl dəyişdirmək kimi), mənfi möhkəmlənmə qazanırlar.
Proqram bu üsuldan istifadə edərək, nəticədə oyunu mənimsəyə bilər.
Armatur öyrənmə robot texnikasında mürəkkəb və mühəndisliyi çətin olan hərəkətləri robotlara öyrətmək üçün geniş istifadə olunur. O, bəzən nəqliyyat axınını yaxşılaşdırmaq üçün yol infrastrukturu, məsələn, yol siqnalları ilə birlikdə istifadə olunur.
Maşın öyrənməsi ilə nə etmək olar?
Cəmiyyətdə və sənayedə maşın öyrənməsinin istifadəsi insan səylərinin geniş spektrində irəliləyişlərlə nəticələnir.
Gündəlik həyatımızda maşın öyrənməsi artıq Google-un axtarış və təsvir alqoritmlərinə nəzarət edir, bu da bizə ehtiyac duyduğumuz zaman bizə lazım olan məlumatla daha dəqiq uyğunlaşmağa imkan verir.
Məsələn, tibbdə maşın öyrənməsi həkimlərə xərçəngin necə yayıldığını anlamağa və proqnozlaşdırmağa kömək etmək üçün genetik məlumatlara tətbiq edilir ki, bu da daha effektiv müalicə üsullarını inkişaf etdirməyə imkan verir.
Dərin kosmosdan gələn məlumatlar burada böyük radio teleskoplar vasitəsilə toplanır və maşın öyrənməsi ilə təhlil edildikdən sonra qara dəliklərin sirlərini açmağa kömək edir.
Pərakəndə satışda maşın öyrənməsi alıcıları onlayn almaq istədikləri əşyalarla əlaqələndirir və həmçinin mağaza işçilərinə kərpic dünyasında müştərilərinə təqdim etdikləri xidməti uyğunlaşdırmağa kömək edir.
Terror və ekstremizmlə mübarizədə maşın öyrənməsi günahsızlara zərər vermək istəyənlərin davranışlarını təxmin etmək üçün istifadə olunur.
Təbii dil emalı (NLP) kompüterlərin maşın öyrənməsi vasitəsilə insan dilində bizimlə başa düşülməsinə və ünsiyyət qurmasına imkan verən prosesə aiddir və bu, tərcümə texnologiyasında, eləcə də hər gün daha çox istifadə etdiyimiz səslə idarə olunan cihazlarda irəliləyişlərlə nəticələndi. Alexa, Google nöqtəsi, Siri və Google köməkçisi.
Sözsüz ki, maşın öyrənməsi onun transformasiya texnologiyası olduğunu nümayiş etdirir.
Bizimlə bərabər işləyə bilən, qüsursuz məntiqi və fövqəlbəşəri sürəti ilə öz orijinallığımızı və təxəyyülümüzü artıra bilən robotlar artıq elmi fantastika fantaziyası deyil – onlar bir çox sektorlarda reallığa çevrilirlər.
Machine Learning istifadə halları
1. Cybersecurity
Şəbəkələr mürəkkəbləşdikcə kibertəhlükəsizlik mütəxəssisləri daim genişlənən təhlükəsizlik təhdidlərinə uyğunlaşmaq üçün yorulmadan çalışdılar.
Sürətlə inkişaf edən zərərli proqramlara və hakerlik taktikalarına qarşı mübarizə kifayət qədər çətindir, lakin Əşyaların İnterneti (IoT) cihazlarının yayılması kibertəhlükəsizlik mühitini əsaslı şəkildə dəyişdirdi.
Hücumlar hər an və hər yerdə baş verə bilər.
Şükürlər olsun ki, maşın öyrənmə alqoritmləri kibertəhlükəsizlik əməliyyatlarına bu sürətli inkişaflarla ayaqlaşmağa imkan verdi.
Proqnozlaşdırıcı analitik hücumların daha tez aşkar edilməsini və azaldılmasını təmin edin, eyni zamanda maşın öyrənməsi mövcud təhlükəsizlik mexanizmlərindəki anormallıqları və zəiflikləri aşkar etmək üçün şəbəkə daxilində fəaliyyətinizi təhlil edə bilər.
2. Müştəri xidmətinin avtomatlaşdırılması
Artan sayda onlayn müştəri əlaqəsini idarə etmək çox təşkilatı gərginləşdirdi.
Sadəcə olaraq, onların qəbul etdikləri sorğuların həcmini idarə etmək üçün kifayət qədər müştəri xidməti personalı yoxdur və autsorsinq məsələlərinə ənənəvi yanaşma. əlaqə mərkəzi bugünkü müştərilərin çoxu üçün sadəcə qəbuledilməzdir.
Çatbotlar və digər avtomatlaşdırılmış sistemlər indi maşın öyrənmə texnikasındakı irəliləyişlər sayəsində bu tələblərə cavab verə bilər. Şirkətlər adi və aşağı prioritet fəaliyyətləri avtomatlaşdıraraq daha yüksək səviyyəli müştəri dəstəyini həyata keçirmək üçün işçi heyətini azad edə bilərlər.
Düzgün istifadə edildikdə, biznesdə maşın öyrənməsi problemin həllini asanlaşdırmağa kömək edə bilər və istehlakçılara onları sadiq brend çempionlarına çevirən faydalı dəstək növü ilə təmin edə bilər.
3. Əlaqə
Səhvlərdən və yanlış təsəvvürlərdən qaçınmaq istənilən ünsiyyət növündə vacibdir, lakin bugünkü işgüzar ünsiyyətdə daha çox vacibdir.
Sadə qrammatik səhvlər, yanlış ton və ya səhv tərcümələr e-poçtla əlaqə saxlamaqda, müştəri qiymətləndirmələrində bir sıra çətinliklərə səbəb ola bilər. Video konfrans, və ya bir çox formada mətn əsaslı sənədlər.
Maşın öyrənmə sistemləri, Microsoft-un Clippy-nin çətin günlərindən kənarda inkişaf etmiş ünsiyyətə malikdir.
Bu maşın öyrənmə nümunələri təbii dil emalından, real vaxtda dil tərcüməsindən və nitqin tanınmasından istifadə etməklə fərdlərə sadə və dəqiq ünsiyyət qurmağa kömək etdi.
Bir çox insanlar avtokorreksiya imkanlarını sevməsələr də, utancverici səhvlərdən və düzgün olmayan tonlardan qorunmağı da qiymətləndirirlər.
4. Obyektin tanınması
Məlumat toplamaq və şərh etmək texnologiyası bir müddətdir mövcud olsa da, kompüter sistemlərinə baxdıqlarını başa düşməyi öyrətmək aldadıcı dərəcədə çətin bir iş olduğunu sübut etdi.
Maşın öyrənmə tətbiqləri səbəbindən artan sayda cihazlara obyekt tanıma imkanları əlavə olunur.
Məsələn, özü idarə olunan avtomobil başqa bir avtomobili görəndə tanıyır, hətta proqramçılar ona istinad olaraq istifadə etmək üçün həmin avtomobilin dəqiq nümunəsini verməsələr də.
Bu texnologiya indi ödəniş prosesini sürətləndirmək üçün pərakəndə satış müəssisələrində istifadə olunur. Kameralar istehlakçıların arabalarında olan məhsulları müəyyən edir və onlar mağazadan çıxanda onların hesablarına avtomatik olaraq ödəniş edə bilir.
5. Rəqəmsal marketinq
Bugünkü marketinqin çox hissəsi bir sıra rəqəmsal platformalar və proqram proqramlarından istifadə etməklə onlayn həyata keçirilir.
Müəssisələr öz istehlakçıları və onların satın alma davranışları haqqında məlumat topladıqca, marketinq qrupları bu məlumatdan hədəf auditoriyasının təfərrüatlı mənzərəsini yaratmaq və hansı insanların məhsul və xidmətlərini axtarmağa daha çox meylli olduğunu aşkar etmək üçün istifadə edə bilər.
Maşın öyrənmə alqoritmləri marketoloqlara bütün bu məlumatları anlamağa kömək edir, imkanları ciddi şəkildə təsnif etməyə imkan verən əhəmiyyətli nümunələri və atributları kəşf edir.
Eyni texnologiya böyük rəqəmsal marketinq avtomatlaşdırılmasına imkan verir. Reklam sistemləri yeni potensial istehlakçıları dinamik şəkildə kəşf etmək və onlara lazımi vaxt və yerdə müvafiq marketinq məzmunu təqdim etmək üçün qurula bilər.
Maşın öyrənmənin gələcəyi
Maşın öyrənməsi, şübhəsiz ki, populyarlıq qazanır, çünki daha çox müəssisə və nəhəng təşkilatlar texnologiyadan xüsusi problemləri həll etmək və ya innovasiyaları gücləndirmək üçün istifadə edirlər.
Bu davamlı investisiya, xüsusən də yuxarıda qeyd olunan bəzi müəyyən edilmiş və təkrarlana bilən istifadə halları vasitəsilə maşın öyrənməsinin ROI istehsal etdiyini başa düşməyi nümayiş etdirir.
Bütün bunlardan sonra, texnologiya Netflix, Facebook, Amazon, Google Maps və sair üçün kifayət qədər yaxşıdırsa, ehtimal ki, şirkətinizə öz məlumatlarından maksimum istifadə etməyə kömək edə bilər.
Yeni kimi maşın təlim modellər hazırlanıb istifadəyə verildikdə, sənayelərdə istifadə olunacaq tətbiqlərin sayında artımın şahidi olacağıq.
Bu artıq baş verir üz tanıma, bir vaxtlar iPhone-da yeni funksiya olan, lakin indi geniş proqram və proqramlarda, xüsusən də ictimai təhlükəsizliklə bağlı olanlarda tətbiq olunur.
Maşın öyrənməsinə başlamağa çalışan əksər təşkilatlar üçün əsas parlaq futuristik baxışlara nəzər salmaq və texnologiyanın sizə kömək edə biləcəyi real biznes problemlərini kəşf etməkdir.
Nəticə
Post-sənaye dövründə elm adamları və mütəxəssislər özlərini daha çox insan kimi aparan kompüter yaratmağa çalışırlar.
Düşüncə maşını süni intellektin bəşəriyyətə verdiyi ən mühüm töhfədir; Bu özüyeriyən maşının fenomenal gəlişi korporativ əməliyyat qaydalarını sürətlə dəyişdirdi.
Özünü idarə edən avtomobillər, avtomatlaşdırılmış köməkçilər, avtonom istehsalat işçiləri və ağıllı şəhərlər son vaxtlar ağıllı maşınların həyat qabiliyyətini nümayiş etdiriblər. Maşın öyrənmə inqilabı və maşın öyrənməsinin gələcəyi uzun müddət bizimlə olacaq.
Cavab yaz