Змест[Схаваць][Паказаць]
Цяпер мы можам вылічыць аб'ём прасторы і дробныя тонкасці субатамных часціц дзякуючы кампутарам.
Кампутары пераўзыходзяць людзей, калі справа даходзіць да падліку і вылічэнняў, а таксама ў выкананні лагічных працэсаў так/не, дзякуючы электронам, якія рухаюцца з хуткасцю святла праз яго схему.
Аднак мы не часта бачым іх як «інтэлектуальных», бо ў мінулым кампутары нічога не маглі выконваць без навучання (праграмавання) людзьмі.
Машынае навучанне, у тым ліку глыбокае навучанне і штучны інтэлект, стала модным словам у навуковых і тэхналагічных загалоўках.
Здаецца, машыннае навучанне ўсюдыіснае, але многія людзі, якія выкарыстоўваюць гэтае слова, з цяжкасцю могуць адэкватна вызначыць, што гэта такое, што яно робіць і для чаго лепш за ўсё выкарыстоўваць.
Гэты артыкул імкнецца растлумачыць машыннае навучанне, а таксама дае канкрэтныя рэальныя прыклады таго, як працуе тэхналогія, каб праілюстраваць, чаму яна так карысная.
Затым мы разгледзім розныя метадалогіі машыннага навучання і паглядзім, як яны выкарыстоўваюцца для вырашэння бізнес-задач.
Нарэшце, мы пракансультуемся з нашым крыштальным шарам, каб зрабіць хуткія прагнозы адносна будучыні машыннага навучання.
Што такое машыннае навучанне?
Машынае навучанне - гэта дысцыпліна інфарматыкі, якая дазваляе кампутарам выводзіць заканамернасці з дадзеных, не будуючы відавочна, што гэта за шаблоны.
Гэтыя высновы часта грунтуюцца на выкарыстанні алгарытмаў для аўтаматычнай ацэнкі статыстычных асаблівасцяў дадзеных і распрацоўцы матэматычных мадэляў для адлюстравання ўзаемасувязі паміж рознымі значэннямі.
Супастаўце гэта з класічнымі вылічэннямі, якія заснаваныя на дэтэрмінаваных сістэмах, у якіх мы відавочна даем кампутару набор правілаў, якім трэба прытрымлівацца, каб ён мог выконваць пэўную задачу.
Гэты спосаб праграмавання кампутараў вядомы як праграмаванне на аснове правілаў. Машынае навучанне адрозніваецца і пераўзыходзіць праграмаванне, заснаванае на правілах, тым, што можа самастойна выводзіць гэтыя правілы.
Выкажам здагадку, што вы кіраўнік банка, які хоча вызначыць, ці будзе заяўка на атрыманне пазыкі няўдалай па іх крэдыце.
У метаде, заснаваны на правілах, кіраўнік банка (або іншыя спецыялісты) прама інфармуе кампутар, што калі крэдытны бал заяўніка ніжэй пэўнага ўзроўню, заяўка павінна быць адхілена.
Аднак праграма машыннага навучання проста прааналізуе папярэднія дадзеныя аб крэдытных рэйтынгах кліентаў і выніках пазыкі і вызначыць, якім павінен быць гэты парог.
Машына вучыцца на папярэдніх дадзеных і такім чынам стварае ўласныя правілы. Вядома, гэта толькі пачатковы курс па машыннаму навучанню; рэальныя мадэлі машыннага навучання значна складаней, чым базавы парог.
Тым не менш, гэта выдатная дэманстрацыя патэнцыялу машыннага навучання.
Як працуе машына вучыцца?
Каб усё было проста, машыны «вучацца», выяўляючы заканамернасці ў супастаўных дадзеных. Лічыце дадзеныя інфармацыяй, якую вы збіраеце са знешняга свету. Чым больш дадзеных падаецца машына, тым яна становіцца «разумнейшай».
Аднак не ўсе дадзеныя аднолькавыя. Выкажам здагадку, што вы пірат з жыццёвай мэтай, каб выявіць пахаваныя багацці на востраве. Вам спатрэбіцца значная колькасць ведаў, каб знайсці прыз.
Гэтыя веды, як і дадзеныя, могуць прыняць вас у правільным або няправільным кірунку.
Чым больш атрыманай інфармацыі/даных, тым менш неадназначнасці, і наадварот. У выніку вельмі важна ўлічваць, якія даныя вы перадаеце сваю машыну для навучання.
Аднак, як толькі будзе прадастаўлена значная колькасць дадзеных, кампутар можа рабіць прагнозы. Машыны могуць прадбачыць будучыню, пакуль яна не моцна адхіляецца ад мінулага.
Машыны «вучацца», аналізуючы гістарычныя дадзеныя, каб вызначыць, што можа адбыцца.
Калі старыя даныя падобныя на новыя, то тое, што вы можаце сказаць пра папярэднія даныя, хутчэй за ўсё, будзе адносіцца да новых даных. Як быццам ты азіраешся назад, каб зазірнуць наперад.
Якія бываюць тыпы машыннага навучання?
Алгарытмы машыннага навучання часта класіфікуюцца на тры шырокія тыпу (хоць таксама выкарыстоўваюцца іншыя схемы класіфікацыі):
- Кіравала навучаннем
- Навучанне без нагляду
- Падмацаванне навучання
Кіравала навучаннем
Кантраляванае машыннае навучанне адносіцца да метадаў, у якіх мадэлі машыннага навучання даецца збор дадзеных з відавочнымі пазнакамі для колькасці, які цікавіць (гэтая велічыня часта называецца адказам або мэтаю).
Для навучання мадэляў ІІ у напаўкантраляваным навучанні выкарыстоўваецца спалучэнне пазначаных і непазначаных даных.
Калі вы працуеце з непазначанымі дадзенымі, вам трэба будзе правесці некаторыя маркіроўкі дадзеных.
Маркіроўка - гэта працэс маркіроўкі ўзораў для дапамогі ў навучанне машыннага навучання мадэль. Маркіроўку ў асноўным робяць людзі, што можа быць дарагім і працаёмкім. Аднак існуюць метады аўтаматызацыі працэсу маркіроўкі.
Сітуацыя з заяўкай на пазыку, якую мы абмяркоўвалі раней, з'яўляецца выдатнай ілюстрацыяй навучання пад кантролем. У нас былі гістарычныя даныя адносна крэдытных рэйтынгаў былых прэтэндэнтаў на пазыку (і, магчыма, узроўняў даходаў, ўзросту і гэтак далей), а таксама канкрэтныя пазнакі, якія паведамлялі, ці не выконваў гэты чалавек дэфолт па пазыцы.
Рэгрэсія і класіфікацыя - гэта два падмноства метадаў навучання пад кантролем.
- Класіфікацыя – Ён выкарыстоўвае алгарытм для правільнай класіфікацыі дадзеных. Адным з прыкладаў з'яўляюцца спам-фільтры. «Спам» можа быць суб'ектыўнай катэгорыяй — мяжа паміж спамам і спамам размытая — і алгарытм фільтра спаму пастаянна ўдасканальваецца ў залежнасці ад вашых водгукаў (маецца на ўвазе электронны ліст, які людзі пазначаюць як спам).
- Рэгрэсія – Гэта карысна для разумення сувязі паміж залежнымі і незалежнымі зменнымі. Рэгрэсійныя мадэлі могуць прагназаваць лікавыя значэнні на аснове некалькіх крыніц даных, такіх як ацэнкі даходаў ад продажаў для пэўнай кампаніі. Лінейная рэгрэсія, лагістычная рэгрэсія і паліномная рэгрэсія з'яўляюцца некаторымі вядомымі метадамі рэгрэсіі.
Навучанне без нагляду
У працэсе навучання без нагляду мы атрымліваем непазначаныя даныя, і мы проста шукаем заканамернасці. Давайце зробім выгляд, што вы Amazon. Ці можам мы знайсці кластары (групы падобных спажыўцоў) на аснове гісторыі пакупак кліентаў?
Нават калі ў нас няма дакладных, пераканаўчых дадзеных аб перавагах чалавека, у гэтым выпадку простае веданне таго, што пэўны набор спажыўцоў купляе супастаўныя тавары, дазваляе нам рабіць прапановы па куплі на аснове таго, што таксама набылі іншыя людзі ў кластары.
Карусель Amazon «вы таксама можаце быць зацікаўлены» працуе на падобных тэхналогіях.
Некантраляванае навучанне можа групаваць даныя з дапамогай кластарызацыі або аб'яднання, у залежнасці ад таго, што вы хочаце аб'яднаць.
- кластарызацыя – Некантраляванае навучанне спрабуе пераадолець гэтую праблему шляхам пошуку шаблонаў у дадзеных. Калі ёсць падобны кластар або група, алгарытм будзе класіфікаваць іх пэўным чынам. Спроба класіфікаваць кліентаў на аснове папярэдняй гісторыі пакупак з'яўляецца прыкладам гэтага.
- Аб'яднанне – Некантраляванае навучанне спрабуе вырашыць гэтую праблему, спрабуючы зразумець правілы і сэнсы, якія ляжаць у аснове розных груп. Частым прыкладам праблемы асацыяцыі з'яўляецца вызначэнне сувязі паміж пакупкамі кліентаў. Крамы могуць быць зацікаўлены ў тым, якія тавары былі набыты разам, і могуць выкарыстоўваць гэтую інфармацыю, каб арганізаваць размяшчэнне гэтых прадуктаў для лёгкага доступу.
Армаванне навучання
Навучанне з падмацаваннем - гэта метад навучання мадэлям машыннага навучання для прыняцця шэрагу мэтанакіраваных рашэнняў у інтэрактыўнай абстаноўцы. Вышэйзгаданыя варыянты выкарыстання гульняў з'яўляюцца выдатнымі ілюстрацыямі гэтага.
Вам не трэба ўводзіць у AlphaZero тысячы папярэдніх шахматных партый, кожная з якіх з пазнакай «добры» або «дрэнны». Проста навучыце яго правілам гульні і мэты, а потым дайце яму паспрабаваць выпадковыя дзеянні.
Станоўчае падмацаванне даецца мерапрыемствам, якія набліжаюць праграму да мэты (напрыклад, развіццё трывалай пазіцыі пешкі). Калі дзеянні маюць супрацьлеглы эфект (напрыклад, заўчаснае змяненне караля), яны атрымліваюць адмоўнае падмацаванне.
Праграмнае забеспячэнне можа ў канчатковым рахунку асвоіць гульню з дапамогай гэтага метаду.
Падмацаванне навучання шырока выкарыстоўваецца ў робататэхніцы для навучання робатаў складаным і цяжкім для распрацоўкі дзеянням. Часам ён выкарыстоўваецца ў спалучэнні з інфраструктурай дарогі, такой як сігналы святлафора, каб палепшыць паток транспарту.
Што можна зрабіць з дапамогай машыннага навучання?
Выкарыстанне машыннага навучання ў грамадстве і прамысловасці прыводзіць да дасягненняў у шырокім дыяпазоне чалавечых намаганняў.
У нашым паўсядзённым жыцці машыннае навучанне цяпер кіруе алгарытмамі пошуку і малюнкаў Google, што дазваляе нам больш дакладна падбіраць інфармацыю, якая нам патрэбна, калі яна нам патрэбна.
У медыцыне, напрыклад, машыннае навучанне ўжываецца да генетычных дадзеных, каб дапамагчы лекарам зразумець і прадказаць, як рак распаўсюджваецца, што дазваляе распрацоўваць больш эфектыўныя метады лячэння.
Дадзеныя з далёкага космасу збіраюцца тут, на Зямлі, з дапамогай масіўных радыётэлескопаў - і пасля аналізу з дапамогай машыннага навучання яны дапамагаюць нам разгадаць таямніцы чорных дзір.
Машынае навучанне ў рознічным гандлі звязвае пакупнікоў з рэчамі, якія яны жадаюць купіць у Інтэрнэце, а таксама дапамагае супрацоўнікам крамаў адаптаваць паслугі, якія яны прадастаўляюць сваім кліентам у звычайным свеце.
Машынае навучанне выкарыстоўваецца ў барацьбе з тэрарызмам і экстрэмізмам, каб прадбачыць паводзіны тых, хто хоча прычыніць боль нявінным.
Апрацоўка натуральнай мовы (NLP) адносіцца да працэсу, які дазваляе кампутарам разумець і размаўляць з намі на чалавечай мове з дапамогай машыннага навучання, і гэта прывяло да прарыву ў тэхналогіі перакладу, а таксама да прылад з галасавым кіраваннем, якія мы ўсё часцей выкарыстоўваем кожны дзень, напрыклад Alexa, Google Dot, Siri і памочнік Google.
Безумоўна, машыннае навучанне дэманструе, што гэта трансфармацыйная тэхналогія.
Робаты, здольныя працаваць разам з намі і развіваць нашу ўласную арыгінальнасць і ўяўленне сваёй бездакорнай логікай і звышчалавечай хуткасцю, больш не з'яўляюцца навуковай фантастыкай - яны становяцца рэальнасцю ў многіх галінах.
Выпадкі выкарыстання машыннага навучання
1. Кібербяспека
Паколькі сеткі ўскладняліся, спецыялісты па кібербяспецы нястомна працавалі, каб адаптавацца да пастаянна пашыраецца спектру пагроз бяспекі.
Супрацьстаяць хутка развіваюцца шкоднасным праграмным забеспячэнню і тактыцы ўзлому досыць складана, але распаўсюджванне прылад Інтэрнэту рэчаў (IoT) прынцыпова змяніла асяроддзе кібербяспекі.
Напады могуць адбыцца ў любы момант і ў любым месцы.
На шчасце, алгарытмы машыннага навучання дазволілі аперацыям па кібербяспецы ісці ў нагу з гэтымі хуткімі распрацоўкамі.
прагнастычная аналітыка дазваляюць хутчэй выяўляць і змякчаць наступствы нападаў, а машыннае навучанне можа аналізаваць вашу дзейнасць у сетцы, каб выявіць адхіленні і слабыя месцы ў існуючых механізмах бяспекі.
2. Аўтаматызацыя абслугоўвання кліентаў
Кіраванне ўсё большай колькасцю кантактаў кліентаў у Інтэрнэце напружвае арганізацыю.
У іх проста не хапае персаналу па абслугоўванні кліентаў, каб справіцца з тым аб'ёмам запытаў, якія яны атрымліваюць, і традыцыйны падыход перадачы пытанняў аўтсорсінгу кантактны цэнтр проста непрымальны для многіх сучасных кліентаў.
Чат-боты і іншыя аўтаматызаваныя сістэмы цяпер могуць задаволіць гэтыя патрабаванні дзякуючы прагрэсу ў тэхніцы машыннага навучання. Кампаніі могуць вызваліць персанал для забеспячэння больш высокага ўзроўню падтрымкі кліентаў шляхам аўтаматызацыі звычайных і малапрыярытэтных дзеянняў.
Пры правільным выкарыстанні машыннае навучанне ў бізнэсе можа дапамагчы ўпарадкаваць вырашэнне праблем і забяспечыць спажыўцам такую карысную падтрымку, якая пераўтворыць іх у адданых чэмпіёнаў брэнда.
3. сувязь
Пазбягаць памылак і памылак вельмі важна ў любым тыпе камунікацыі, але ў большай ступені ў сучасных дзелавых зносінах.
Простыя граматычныя памылкі, няправільны тон або памылковы пераклад могуць выклікаць шэраг цяжкасцей у кантакце па электроннай пошце, ацэнках кліентаў, відэаканферэнцсувязь, або тэкставая дакументацыя ў розных формах.
Сістэмы машыннага навучання павялічылі камунікацыю далёка за межы п'янлівых дзён Microsoft Clippy.
Гэтыя прыклады машыннага навучання дапамаглі людзям проста і дакладна размаўляць з дапамогай апрацоўкі натуральнай мовы, перакладу мовы ў рэжыме рэальнага часу і распазнавання гаворкі.
Нягледзячы на тое, што многім людзям не падабаюцца магчымасці аўтавыпраўлення, яны таксама цэняць абарону ад непрыемных памылак і няправільнага тону.
4. Распазнаванне аб'ектаў
Нягледзячы на тое, што тэхналогія збору і інтэрпрэтацыі даных існуе ўжо некаторы час, навучыць камп'ютэрныя сістэмы разумець, на што яны глядзяць, аказалася зманліва складанай задачай.
Магчымасці распазнавання аб'ектаў дадаюцца да ўсё большай колькасці прылад з-за прыкладанняў машыннага навучання.
Напрыклад, аўтамабілем, які кіруе аўтамабілем, распазнае іншы аўтамабіль, калі ён бачыць яго, нават калі праграмісты не далі яму дакладны прыклад гэтага аўтамабіля для выкарыстання ў якасці эталоннага.
Гэтая тэхналогія цяпер выкарыстоўваецца ў рознічных прадпрыемствах, каб паскорыць працэс афармлення афармлення. Камеры вызначаюць тавары ў кошыках спажыўцоў і могуць аўтаматычна выстаўляць рахункі іх рахункам, калі яны пакідаюць краму.
5. Лічбавы маркетынг
Большая частка сённяшняга маркетынгу ажыццяўляецца ў Інтэрнэце з выкарыстаннем шэрагу лічбавых платформаў і праграмных праграм.
Паколькі прадпрыемствы збіраюць інфармацыю аб сваіх спажыўцах і іх пакупніцкіх паводзінах, маркетынгавыя групы могуць выкарыстоўваць гэтую інфармацыю, каб скласці падрабязную карціну сваёй мэтавай аўдыторыі і выявіць, якія людзі больш схільныя шукаць іх прадукты і паслугі.
Алгарытмы машыннага навучання дапамагаюць маркетолагам асэнсаваць усе гэтыя дадзеныя, выявіць значныя заканамернасці і атрыбуты, якія дазваляюць ім жорстка класіфікаваць магчымасці.
Тая ж тэхналогія дазваляе аўтаматызаваць вялікі лічбавы маркетынг. Рэкламныя сістэмы можна наладзіць так, каб дынамічна знаходзіць новых патэнцыйных спажыўцоў і забяспечваць ім адпаведны маркетынгавы кантэнт у патрэбны час і месца.
Будучыня машыннага навучання
Машынае навучанне, безумоўна, набірае папулярнасць, паколькі ўсё больш прадпрыемстваў і вялізных арганізацый выкарыстоўваюць тэхналогію для вырашэння канкрэтных праблем або падсілкоўвання інавацый.
Гэтыя пастаянныя інвестыцыі дэманструюць разуменне таго, што машыннае навучанне забяспечвае рэнтабельнасць інвестыцый, асабліва праз некаторыя з вышэйзгаданых устаноўленых і прайграваных выпадкаў выкарыстання.
У рэшце рэшт, калі тэхналогія дастаткова добрая для Netflix, Facebook, Amazon, Google Maps і гэтак далей, хутчэй за ўсё, яна таксама дапаможа вашай кампаніі максімальна выкарыстоўваць свае дадзеныя.
Як новае навучанне з дапамогай машыны мадэлі распрацаваны і запушчаны, мы станем сведкамі павелічэння колькасці прыкладанняў, якія будуць выкарыстоўвацца ў розных галінах.
Гэта ўжо адбываецца з распазнанне асобы, якая калісьці была новай функцыяй на вашым iPhone, але цяпер укараняецца ў шырокі спектр праграм і прыкладанняў, асабліва тых, якія звязаны з грамадскай бяспекай.
Ключом для большасці арганізацый, якія спрабуюць пачаць працу з машынным навучаннем, з'яўляецца зірнуць на яркія футурыстычныя бачання і адкрыць для сябе рэальныя бізнес-задачы, з якімі тэхналогія можа дапамагчы вам.
заключэнне
У постіндустрыялізаваны век навукоўцы і спецыялісты спрабавалі стварыць кампутар, які паводзіць сябе больш як чалавек.
Машына мыслення - гэта самы значны ўклад ІІ у чалавецтва; фенаменальны прыход гэтай самаходнай машыны хутка змяніў карпаратыўныя правілы эксплуатацыі.
Самакіруючыя транспартныя сродкі, аўтаматызаваныя памочнікі, аўтаномныя вытворчыя супрацоўнікі і разумныя гарады ў апошні час прадэманстравалі жыццяздольнасць разумных машын. Рэвалюцыя машыннага навучання і будучыня машыннага навучання будуць з намі яшчэ доўга.
Пакінуць каментар