Съдържание[Крия][Покажи]
Благодарение на компютрите вече можем да изчислим простора на пространството и дребните тънкости на субатомните частици.
Компютрите побеждават хората, когато става въпрос за броене и изчисляване, както и за следване на логически процеси да/не, благодарение на електроните, пътуващи със скоростта на светлината през неговата верига.
Въпреки това, ние не ги виждаме често като „интелигентни“, тъй като в миналото компютрите не можеха да изпълняват нищо, без да бъдат научени (програмирани) от хората.
Машинно обучение, включително дълбоко обучение и изкуствен интелект, се превърна в модна дума в научните и технологични заглавия.
Машинното обучение изглежда е вездесъщо, но много хора, които използват думата, биха се затруднили да дефинират адекватно какво представлява, какво прави и за какво е най-добре да се използва.
Тази статия се стреми да изясни машинното обучение, като същевременно предоставя конкретни примери от реалния свят за това как работи технологията, за да илюстрира защо е толкова полезна.
След това ще разгледаме различните методологии за машинно обучение и ще видим как те се използват за справяне с бизнес предизвикателствата.
И накрая, ще се консултираме с нашата кристална топка за някои бързи прогнози за бъдещето на машинното обучение.
Какво е машинно обучение?
Машинното обучение е дисциплина на компютърните науки, която позволява на компютрите да извеждат модели от данни, без да бъдат изрично преподавани какви са тези модели.
Тези заключения често се основават на използване на алгоритми за автоматична оценка на статистическите характеристики на данните и разработване на математически модели за изобразяване на връзката между различните стойности.
Сравнете това с класическите изчисления, които се основават на детерминистични системи, в които изрично даваме на компютъра набор от правила, които да следва, за да изпълни определена задача.
Този начин на програмиране на компютри е известен като програмиране, базирано на правила. Машинното обучение се различава и превъзхожда базираното на правила програмиране по това, че може да изведе тези правила самостоятелно.
Да приемем, че сте банков мениджър, който иска да определи дали молбата за заем ще бъде провалена по техния заем.
При метод, основан на правила, банковият мениджър (или други специалисти) изрично информира компютъра, че ако кредитният рейтинг на кандидата е под определено ниво, заявлението трябва да бъде отхвърлено.
Програмата за машинно обучение обаче просто ще анализира предишни данни за кредитните рейтинги на клиентите и резултатите от заемите и ще определи какъв трябва да бъде този праг сам.
Машината се учи от предишни данни и създава свои собствени правила по този начин. Разбира се, това е само начален курс за машинно обучение; реалните модели за машинно обучение са значително по-сложни от основния праг.
Независимо от това, това е отлична демонстрация на потенциала на машинното обучение.
Как се прави машина уча?
За да бъдат нещата прости, машините се „учат“, като откриват модели в сравними данни. Считайте данните за информация, която събирате от външния свят. Колкото повече данни се подава на машината, толкова „по-интелигентна“ става тя.
Въпреки това, не всички данни са еднакви. Да предположим, че сте пират с житейска цел да разкрие заровените богатства на острова. Ще искате значително количество знания, за да намерите наградата.
Това знание, подобно на данните, може да ви отведе по правилен или грешен начин.
Колкото по-голяма е получената информация/данни, толкова по-малко неясноти има и обратно. В резултат на това е изключително важно да вземете предвид вида на данните, които подавате на вашата машина, за да се учите.
Въпреки това, след като се предостави значително количество данни, компютърът може да прави прогнози. Машините могат да предвиждат бъдещето, стига да не се отклонява много от миналото.
Машините се „учат“, като анализират исторически данни, за да определят какво е вероятно да се случи.
Ако старите данни приличат на новите данни, тогава нещата, които можете да кажете за предишните данни, вероятно ще се отнасят за новите данни. Сякаш гледаш назад, за да гледаш напред.
Какви са видовете машинно обучение?
Алгоритмите за машинно обучение често се класифицират в три широки типа (въпреки че се използват и други схеми за класификация):
- Контролирано обучение
- Неуправляемо обучение
- Укрепване на обучението
Контролирано обучение
Контролираното машинно обучение се отнася до техники, при които на модела за машинно обучение се дава колекция от данни с изрични етикети за количеството, което представлява интерес (това количество често се нарича отговор или цел).
За обучение на AI модели, полуконтролираното обучение използва комбинация от етикетирани и немаркирани данни.
Ако работите с немаркирани данни, ще трябва да предприемете някои етикети на данните.
Етикетирането е процес на етикетиране на проби за подпомагане обучение на машинно обучение модел. Етикетирането се извършва предимно от хора, което може да бъде скъпо и отнема много време. Съществуват обаче техники за автоматизиране на процеса на етикетиране.
Ситуацията с кандидатстване за заем, която обсъдихме преди, е отлична илюстрация на контролирано обучение. Имахме исторически данни относно кредитните рейтинги на бившите кандидати за заем (и може би нивата на доходите, възрастта и т.н.), както и конкретни етикети, които ни казваха дали въпросното лице не е изплатило заема си или не.
Регресията и класификацията са две подгрупи от техники за контролирано обучение.
- Класификация – Използва алгоритъм за правилно категоризиране на данните. Един пример са филтрите за спам. „Спам“ може да бъде субективна категория — границата между комуникациите със спам и неспам е размита — и алгоритъмът на филтъра за спам непрекъснато се усъвършенства в зависимост от вашата обратна връзка (което означава имейл, който хората маркират като спам).
- Регресия – Полезно е за разбиране на връзката между зависими и независими променливи. Регресионните модели могат да прогнозират числени стойности въз основа на няколко източника на данни, като прогнози за приходи от продажби за определена компания. Линейната регресия, логистичната регресия и полиномиалната регресия са някои известни регресионни техники.
Неуправляемо обучение
При учене без надзор ни се дават немаркирани данни и просто търсим модели. Нека се преструваме, че сте Amazon. Можем ли да намерим някакви клъстери (групи от подобни потребители) въз основа на историята на клиентските покупки?
Дори и да нямаме изрични, убедителни данни за предпочитанията на дадено лице, в този случай простото познаване, че определен набор от потребители купува сравними стоки, ни позволява да правим предложения за покупка въз основа на това, което други лица в клъстера също са закупили.
Въртележката „може да се интересувате и от“ на Amazon се захранва от подобни технологии.
Ученето без надзор може да групира данни чрез групиране или асоцииране, в зависимост от това какво искате да групирате заедно.
- Clustering – Ученето без надзор се опитва да преодолее това предизвикателство чрез търсене на модели в данните. Ако има подобен клъстер или група, алгоритъмът ще ги категоризира по определен начин. Опитът да категоризирате клиентите въз основа на предишна история на покупките е пример за това.
- Асоциация – Ученето без надзор се опитва да се справи с това предизвикателство, като се опитва да разбере правилата и значенията, залегнали в основата на различни групи. Чест пример за проблем с асоциацията е определянето на връзка между покупките на клиенти. Магазините могат да се интересуват от това какви стоки са закупени заедно и могат да използват тази информация, за да организират позиционирането на тези продукти за лесен достъп.
Укрепване на обучението
Ученето с подсилване е техника за преподаване на модели за машинно обучение за вземане на серия от целеви решения в интерактивна среда. Споменатите по-горе случаи на използване на игри са отлични илюстрации за това.
Не е нужно да въвеждате AlphaZero хиляди предишни шахматни партии, всяка с етикет "добър" или "лош" ход. Просто го научете на правилата на играта и целта и след това го оставете да изпробва произволни действия.
Положително подсилване се дава на дейности, които приближават програмата до целта (като развиване на солидна позиция на пешка). Когато действията имат обратен ефект (като преждевременно изместване на краля), те печелят отрицателно подкрепление.
Софтуерът в крайна сметка може да овладее играта, използвайки този метод.
Укрепване на обучението се използва широко в роботиката за обучение на роботи за сложни и трудни за инженеринг действия. Понякога се използва заедно с пътна инфраструктура, като например светофарни сигнали, за подобряване на трафика.
Какво може да се направи с машинното обучение?
Използването на машинно обучение в обществото и индустрията води до напредък в широк спектър от човешки начинания.
В ежедневието ни машинното обучение вече контролира алгоритмите за търсене и изображения на Google, което ни позволява да бъдем по-точно съпоставени с информацията, от която се нуждаем, когато имаме нужда от нея.
В медицината, например, машинното обучение се прилага към генетични данни, за да помогне на лекарите да разберат и предскажат как ракът се разпространява, което позволява разработването на по-ефективни терапии.
Данните от дълбокия космос се събират тук, на Земята чрез масивни радиотелескопи – и след като са анализирани с машинно обучение, те ни помагат да разгадаем мистериите на черните дупки.
Машинното обучение в търговията на дребно свързва купувачите с неща, които желаят да купят онлайн, и също така помага на служителите в магазините да адаптират услугите, които предоставят на своите клиенти в обикновения свят.
Машинното обучение се използва в битката срещу терора и екстремизма, за да се предвиди поведението на онези, които искат да наранят невинните.
Обработката на естествен език (NLP) се отнася до процеса на позволяване на компютрите да разбират и комуникират с нас на човешки език чрез машинно обучение и води до пробив в технологията за превод, както и до гласово управляваните устройства, които използваме все по-често всеки ден, като напр. Alexa, Google dot, Siri и Google асистент.
Без съмнение, машинното обучение демонстрира, че е трансформационна технология.
Роботите, способни да работят заедно с нас и да засилят нашата собствена оригиналност и въображение с безупречната си логика и свръхчовешка скорост, вече не са научна фантастика – те се превръщат в реалност в много сектори.
Случаи на използване на машинно обучение
1. Киберсигурност
Тъй като мрежите стават все по-сложни, специалистите по киберсигурност работят неуморно, за да се адаптират към непрекъснато разширяващия се диапазон от заплахи за сигурността.
Противодействието на бързо развиващия се злонамерен софтуер и тактиките за хакерство е достатъчно предизвикателство, но разпространението на устройства за Интернет на нещата (IoT) коренно трансформира средата за киберсигурност.
Атаките могат да възникнат по всяко време и на всяко място.
За щастие, алгоритмите за машинно обучение позволиха на операциите по киберсигурност да бъдат в крак с тези бързи разработки.
Прогнозна аналитичност позволяват по-бързо откриване и смекчаване на атаки, докато машинното обучение може да анализира дейността ви в мрежа, за да открие аномалии и слабости в съществуващите механизми за сигурност.
2. Автоматизация на обслужването на клиенти
Управлението на все по-голям брой онлайн клиентски контакти напрегна голяма организация.
Те просто нямат достатъчно персонал за обслужване на клиенти, за да се справят с обема от запитвания, които получават, и традиционният подход на възлагане на проблеми на контакт център е просто неприемливо за много от днешните клиенти.
Чатботите и други автоматизирани системи вече могат да отговорят на тези изисквания благодарение на напредъка в техниките за машинно обучение. Компаниите могат да освободят персонал, за да предприемат по-високо ниво на поддръжка на клиенти чрез автоматизиране на ежедневни и нископриоритетни дейности.
Когато се използва правилно, машинното обучение в бизнеса може да помогне за рационализиране на разрешаването на проблеми и да предостави на потребителите вид полезна поддръжка, която ги превръща в отдадени шампиони на марката.
3. общуване
Избягването на грешки и погрешни схващания е от решаващо значение за всякакъв вид комуникация, но още повече в днешните бизнес комуникации.
Обикновените граматически грешки, неправилният тон или грешните преводи могат да причинят редица трудности при контакта по имейл, оценките на клиентите, видео конферентна връзка, или текстова документация в много форми.
Системите за машинно обучение са усъвършенствали комуникацията далеч отвъд бурните дни на Microsoft Clippy.
Тези примери за машинно обучение помогнаха на хората да общуват просто и прецизно, като използват обработка на естествен език, езиков превод в реално време и разпознаване на реч.
Въпреки че много хора не харесват възможностите за автоматично коригиране, те също така ценят да бъдат защитени от неудобни грешки и неправилен тон.
4. Разпознаване на обекти
Въпреки че технологията за събиране и интерпретиране на данни съществува от известно време, обучението на компютърните системи да разбират какво гледат се оказа измамно трудна задача.
Възможностите за разпознаване на обекти се добавят към все по-голям брой устройства поради приложенията за машинно обучение.
Самоуправляващ се автомобил, например, разпознава друга кола, когато види такава, дори ако програмистите не са му дали точен пример за тази кола, който да използва като справка.
Тази технология сега се използва в търговските предприятия, за да помогне за ускоряване на процеса на плащане. Камерите идентифицират продуктите в количките на потребителите и могат автоматично да таксуват сметките им, когато напуснат магазина.
5. Дигитален маркетинг
Голяма част от днешния маркетинг се извършва онлайн, като се използват редица дигитални платформи и софтуерни програми.
Тъй като фирмите събират информация за своите потребители и тяхното поведение при покупка, маркетинговите екипи могат да използват тази информация, за да изградят подробна картина на своята целева аудитория и да открият кои хора са по-склонни да търсят техните продукти и услуги.
Алгоритмите за машинно обучение помагат на маркетолозите да осмислят всички тези данни, откривайки значими модели и атрибути, които им позволяват да категоризират тясно възможностите.
Същата технология позволява голяма автоматизация на дигиталния маркетинг. Рекламните системи могат да бъдат настроени така, че да откриват динамично нови потенциални потребители и да им предоставят подходящо маркетингово съдържание в подходящото време и място.
Бъдещето на машинното обучение
Машинното обучение със сигурност набира популярност, тъй като все повече фирми и огромни организации използват технологията, за да се справят с конкретни предизвикателства или да подхранват иновациите.
Тази продължителна инвестиция демонстрира разбиране, че машинното обучение произвежда възвръщаемост на инвестициите, особено чрез някои от гореспоменатите установени и възпроизводими случаи на употреба.
В крайна сметка, ако технологията е достатъчно добра за Netflix, Facebook, Amazon, Google Maps и така нататък, има вероятност тя да помогне и на вашата компания да се възползва максимално от данните си.
Като ново машинно обучение моделите се разработват и лансират, ще станем свидетели на увеличаване на броя на приложенията, които ще се използват в различните индустрии.
Това вече се случва с разпознаване на лица, която някога беше нова функция на вашия iPhone, но сега се внедрява в широк набор от програми и приложения, особено тези, свързани с обществената сигурност.
Ключът за повечето организации, които се опитват да започнат с машинното обучение, е да погледнат отвъд ярките футуристични визии и да открият истинските бизнес предизвикателства, с които технологията може да ви помогне.
Заключение
В постиндустриализираната епоха учени и професионалисти се опитват да създадат компютър, който да се държи повече като хората.
Мислещата машина е най-значимият принос на AI към човечеството; феноменалното пристигане на тази самоходна машина бързо промени корпоративните оперативни разпоредби.
Самоуправляващите се превозни средства, автоматизираните асистенти, служителите в автономното производство и интелигентните градове напоследък демонстрираха жизнеспособността на интелигентните машини. Революцията на машинното обучение и бъдещето на машинното обучение ще бъдат с нас за дълго време.
Оставете коментар