Sadržaj[Sakrij][Prikaži]
Sada možemo izračunati prostranstvo prostora i sitne zamršenosti subatomskih čestica zahvaljujući kompjuterima.
Kompjuteri su pobedili ljude kada je u pitanju brojanje i računanje, kao i praćenje logičkih procesa da/ne, zahvaljujući elektronima koji putuju brzinom svetlosti preko njegovog kola.
Međutim, ne vidimo ih često kao “inteligentne” jer u prošlosti kompjuteri nisu mogli ništa da izvode a da ih ljudi ne uče (programiraju).
Mašinsko učenje, uključujući duboko učenje i umjetne inteligencije, postala je popularna riječ u naučnim i tehnološkim naslovima.
Čini se da je mašinsko učenje sveprisutno, ali mnogi ljudi koji koriste tu riječ teško bi definirali što je to, čemu služi i za šta se najbolje koristi.
Ovaj članak nastoji razjasniti strojno učenje, a istovremeno pruža konkretne primjere iz stvarnog svijeta o tome kako tehnologija funkcionira kako bi se ilustrovalo zašto je toliko korisna.
Zatim ćemo pogledati različite metodologije mašinskog učenja i vidjeti kako se one koriste za rješavanje poslovnih izazova.
Konačno, konsultovaćemo našu kristalnu kuglu za neka brza predviđanja o budućnosti mašinskog učenja.
Šta je mašinsko učenje?
Mašinsko učenje je disciplina kompjuterske nauke koja omogućava računarima da zaključuju obrasce iz podataka bez eksplicitnog podučavanja o tome šta su ti obrasci.
Ovi zaključci se često zasnivaju na korišćenju algoritama za automatsku procenu statističkih karakteristika podataka i razvoju matematičkih modela za prikaz odnosa između različitih vrednosti.
Uporedite ovo sa klasičnim računarstvom, koje se zasniva na determinističkim sistemima, u kojima računaru izričito dajemo skup pravila koja treba da sledi kako bi izvršio određeni zadatak.
Ovaj način programiranja računara poznat je kao programiranje zasnovano na pravilima. Mašinsko učenje se razlikuje i nadmašuje programiranje zasnovano na pravilima po tome što može samostalno zaključiti ova pravila.
Pretpostavimo da ste menadžer banke koji želi da utvrdi da li će zahtev za kredit propasti za njihov kredit.
U metodi zasnovanoj na pravilima, menadžer banke (ili drugi stručnjaci) bi izričito obavestio računar da ako je kreditni rezultat podnosioca zahteva ispod određenog nivoa, prijavu treba odbiti.
Međutim, program mašinskog učenja bi jednostavno analizirao prethodne podatke o kreditnom rejtingu klijenata i rezultatima zajma i odredio koji bi taj prag trebao biti sam po sebi.
Mašina uči iz prethodnih podataka i na taj način kreira vlastita pravila. Naravno, ovo je samo početnica o mašinskom učenju; modeli mašinskog učenja u stvarnom svetu su znatno komplikovaniji od osnovnog praga.
Ipak, to je odlična demonstracija potencijala mašinskog učenja.
Kako a mašina naučiti?
Da bi stvari bile jednostavne, mašine "uče" otkrivajući obrasce u uporedivim podacima. Podatke smatrajte informacijama koje prikupljate iz vanjskog svijeta. Što više podataka unese mašina, ona postaje „pametnija“.
Međutim, nisu svi podaci isti. Pretpostavimo da ste gusar sa životnom svrhom da otkrije zakopano bogatstvo na ostrvu. Trebat ćete značajnu količinu znanja da biste locirali nagradu.
Ovo znanje, poput podataka, može vas odvesti na ispravan ili pogrešan način.
Što je više informacija/podataka prikupljenih, to je manje nejasnoća, i obrnuto. Kao rezultat toga, od ključne je važnosti da razmotrite vrstu podataka na koje unosite svoju mašinu da iz njih uči.
Međutim, kada se obezbedi značajna količina podataka, računar može da pravi predviđanja. Mašine mogu anticipirati budućnost sve dok ne odstupaju mnogo od prošlosti.
Mašine „uče“ analizirajući istorijske podatke kako bi odredile šta će se vjerovatno dogoditi.
Ako stari podaci liče na nove podatke, onda će se stvari koje možete reći o prethodnim podacima vjerovatno primijeniti na nove podatke. Kao da gledate unazad da vidite napred.
Koje su vrste mašinskog učenja?
Algoritmi za mašinsko učenje se često klasifikuju u tri široka tipa (iako se koriste i druge šeme klasifikacije):
- Učenje pod nadzorom
- Učenje bez nadzora
- Ojačavanje učenja
Učenje pod nadzorom
Nadzirano mašinsko učenje se odnosi na tehnike u kojima se modelu mašinskog učenja daje zbirka podataka sa eksplicitnim oznakama za količinu od interesa (ova veličina se često naziva odgovorom ili ciljem).
Za obuku AI modela, polunadgledano učenje koristi mješavinu označenih i neobilježenih podataka.
Ako radite s neoznačenim podacima, morat ćete poduzeti neke oznake podataka.
Označavanje je proces označavanja uzoraka za pomoć obuka mašinskog učenja model. Označavanje prvenstveno rade ljudi, što može biti skupo i dugotrajno. Međutim, postoje tehnike za automatizaciju procesa označavanja.
Situacija zahtjeva za kredit o kojoj smo ranije govorili odlična je ilustracija učenja pod nadzorom. Imali smo istorijske podatke o kreditnom rejtingu bivših podnosilaca zahtjeva za kredit (i možda nivoima prihoda, starosti i tako dalje), kao i specifične oznake koje su nam govorile da li je dotična osoba kasnila sa svojim kreditom ili ne.
Regresija i klasifikacija su dva podskupa tehnika nadgledanog učenja.
- klasifikacija – Koristi algoritam za ispravnu kategorizaciju podataka. Filteri za neželjenu poštu su jedan primjer. “Neželjena pošta” može biti subjektivna kategorija – linija između neželjene pošte i komunikacije koja nije neželjena je nejasna – a algoritam filtera neželjene pošte se stalno usavršava ovisno o vašim povratnim informacijama (što znači e-poruku koju ljudi označavaju kao neželjenu poštu).
- regresija – Pomaže u razumijevanju veze između zavisnih i nezavisnih varijabli. Regresijski modeli mogu predvidjeti numeričke vrijednosti na osnovu nekoliko izvora podataka, kao što su procjene prihoda od prodaje za određenu kompaniju. Linearna regresija, logistička regresija i polinomska regresija su neke od istaknutih tehnika regresije.
Učenje bez nadzora
U nenadgledanom učenju dobijamo neoznačene podatke i samo tražimo obrasce. Hajde da se pretvaramo da ste Amazon. Možemo li pronaći neke klastere (grupe sličnih potrošača) na osnovu istorije kupovine klijenata?
Čak iako nemamo eksplicitne, konačne podatke o preferencijama neke osobe, u ovom slučaju, jednostavno saznanje da određeni skup potrošača kupuje uporedivu robu nam omogućava da damo prijedloge za kupovinu na osnovu onoga što su drugi pojedinci u klasteru također kupili.
Amazonov vrtuljak „možda i vas zanima“ pokreće slične tehnologije.
Učenje bez nadzora može grupirati podatke kroz grupisanje ili povezivanje, ovisno o tome šta želite grupisati zajedno.
- clustering – Učenje bez nadzora pokušava prevladati ovaj izazov traženjem obrazaca u podacima. Ako postoji sličan klaster ili grupa, algoritam će ih kategorizirati na određeni način. Pokušaj kategorizacije klijenata na osnovu prethodne istorije kupovine je primjer ovoga.
- asocijacija – Učenje bez nadzora pokušava da se uhvati u koštac sa ovim izazovom pokušavajući da shvati pravila i značenja u osnovi različitih grupa. Čest primjer problema povezivanja je određivanje veze između kupovina kupaca. Prodavnice mogu biti zainteresirane da saznaju koja su roba kupljena zajedno i mogu koristiti ove informacije da organiziraju pozicioniranje ovih proizvoda radi lakšeg pristupa.
Učenje ojačanja
Učenje s pojačanjem je tehnika za podučavanje modela mašinskog učenja za donošenje niza odluka usmjerenih na ciljeve u interaktivnom okruženju. Gore navedeni slučajevi upotrebe igara su odlične ilustracije ovoga.
Ne morate unositi AlphaZero hiljade prethodnih šahovskih partija, svaka sa označenim "dobar" ili "loš" potez. Jednostavno ga naučite pravilima igre i cilju, a zatim ga pustite da isproba nasumične radnje.
Pozitivno pojačanje se daje aktivnostima koje dovode program bliže cilju (kao što je razvijanje čvrste pozicije piona). Kada djela imaju suprotan učinak (kao što je prerano prebacivanje kralja), zarađuju negativno pojačanje.
Softver na kraju može savladati igru koristeći ovu metodu.
Ojačavanje učenja se široko koristi u robotici za podučavanje robota za složene i teško konstruirane radnje. Ponekad se koristi zajedno sa infrastrukturom puteva, kao što je saobraćajna signalizacija, za poboljšanje protoka saobraćaja.
Šta se može uraditi sa mašinskim učenjem?
Upotreba mašinskog učenja u društvu i industriji rezultira napretkom u širokom spektru ljudskih poduhvata.
U našem svakodnevnom životu, mašinsko učenje sada kontroliše Google-ove algoritme za pretragu i slike, omogućavajući nam da budemo preciznije upareni sa informacijama koje su nam potrebne kada su nam potrebne.
U medicini, na primjer, mašinsko učenje se primjenjuje na genetske podatke kako bi se pomoglo doktorima da shvate i predvide kako se rak širi, što omogućava razvoj efikasnijih terapija.
Podaci iz dubokog svemira prikupljaju se ovdje na Zemlji putem masivnih radio-teleskopa – a nakon analize pomoću mašinskog učenja, pomažu nam da otkrijemo misterije crnih rupa.
Mašinsko učenje u maloprodaji povezuje kupce sa stvarima koje žele kupiti na mreži, a također pomaže zaposlenima u trgovinama da prilagode uslugu koju pružaju svojim klijentima u običnom svijetu.
Mašinsko učenje se koristi u borbi protiv terora i ekstremizma kako bi se predvidjelo ponašanje onih koji žele povrijediti nevine.
Obrada prirodnog jezika (NLP) se odnosi na proces omogućavanja kompjuterima da razumiju i komuniciraju s nama na ljudskom jeziku putem mašinskog učenja, a rezultiralo je napretkom u tehnologiji prevođenja, kao i uređajima upravljanim glasom koje sve više koristimo svaki dan, kao npr. Alexa, Google dot, Siri i Google asistent.
Bez sumnje, mašinsko učenje pokazuje da je to transformaciona tehnologija.
Roboti koji su sposobni da rade zajedno s nama i da svojom besprijekornom logikom i nadljudskom brzinom jačaju našu vlastitu originalnost i maštu više nisu fantastika naučne fantastike – oni postaju stvarnost u mnogim sektorima.
Slučajevi upotrebe mašinskog učenja
1. Sajber sigurnost
Kako su mreže postajale sve složenije, stručnjaci za sajber sigurnost neumorno su radili na prilagođavanju sve širem rasponu sigurnosnih prijetnji.
Suprotstavljanje brzom razvoju malvera i taktika hakovanja je dovoljno izazovno, ali proliferacija Internet of Things (IoT) uređaja u osnovi je transformisala okruženje sajber bezbednosti.
Napadi se mogu dogoditi u svakom trenutku i na bilo kojem mjestu.
Srećom, algoritmi mašinskog učenja omogućili su operacijama kibernetičke sigurnosti da idu u korak sa ovim brzim razvojem.
Prediktivna analitika omogućavaju brže otkrivanje i ublažavanje napada, dok mašinsko učenje može analizirati vašu aktivnost unutar mreže kako bi otkrilo abnormalnosti i slabosti u postojećim sigurnosnim mehanizmima.
2. Automatizacija korisničkog servisa
Upravljanje sve većim brojem onlajn kontakata sa klijentima je opterećivalo mnoge organizacije.
Oni jednostavno nemaju dovoljno osoblja za korisničku podršku da bi odgovorili na obim upita koje primaju i tradicionalni pristup vanjskih poslova kontakt centar je jednostavno neprihvatljivo za mnoge današnje klijente.
Chatbotovi i drugi automatizirani sistemi sada mogu odgovoriti na ove zahtjeve zahvaljujući napretku u tehnikama mašinskog učenja. Kompanije mogu da oslobode osoblje da poduzmu podršku korisnicima višeg nivoa automatizacijom svakodnevnih aktivnosti niskog prioriteta.
Kada se pravilno koristi, mašinsko učenje u poslovanju može pomoći da se pojednostavi rešavanje problema i pruži potrošačima vrstu korisne podrške koja ih pretvara u posvećene šampione brenda.
3. komunikacija
Izbjegavanje grešaka i zabluda je ključno u bilo kojoj vrsti komunikacije, ali više u današnjoj poslovnoj komunikaciji.
Jednostavne gramatičke greške, netačan ton ili pogrešni prijevodi mogu uzrokovati niz poteškoća u kontaktu putem e-pošte, procjenama kupaca, video konferencije, ili tekstualnu dokumentaciju u mnogim oblicima.
Sistemi mašinskog učenja unapredili su komunikaciju daleko od Microsoftovih opojna dana.
Ovi primjeri mašinskog učenja pomogli su pojedincima da komuniciraju jednostavno i precizno koristeći obradu prirodnog jezika, prevođenje jezika u realnom vremenu i prepoznavanje govora.
Iako mnogi pojedinci ne vole mogućnosti automatskog ispravljanja, oni također cijene zaštitu od sramotnih grešaka i neprikladnog tona.
4. Prepoznavanje objekata
Iako tehnologija za prikupljanje i tumačenje podataka postoji već neko vrijeme, pokazalo se da je podučavanje kompjuterskih sistema da razumiju ono u šta gledaju prilično težak zadatak.
Mogućnosti prepoznavanja objekata se dodaju sve većem broju uređaja zbog aplikacija za mašinsko učenje.
Samovozeći automobil, na primjer, prepoznaje drugi automobil kada ga vidi, čak i ako mu programeri nisu dali tačan primjer tog automobila da ga koristi kao referencu.
Ova tehnologija se sada koristi u maloprodajnim preduzećima kako bi se ubrzao proces naplate. Kamere identificiraju proizvode u kolicima potrošača i mogu automatski naplatiti njihove račune kada napuste trgovinu.
5. Digitalni marketing
Veći dio današnjeg marketinga se obavlja online, koristeći niz digitalnih platformi i softverskih programa.
Kako poduzeća prikupljaju informacije o svojim potrošačima i njihovom kupovnom ponašanju, marketinški timovi mogu koristiti te informacije kako bi izgradili detaljnu sliku svoje ciljne publike i otkrili koji su ljudi skloniji traženju njihovih proizvoda i usluga.
Algoritmi za strojno učenje pomažu marketinškim stručnjacima da shvate sve te podatke, otkrivajući značajne obrasce i atribute koji im omogućavaju da usko kategoriziraju mogućnosti.
Ista tehnologija omogućava veliku automatizaciju digitalnog marketinga. Sistemi oglasa mogu se postaviti tako da dinamično otkrivaju nove potencijalne potrošače i pružaju im relevantan marketinški sadržaj u pravo vrijeme i na odgovarajućem mjestu.
Budućnost mašinskog učenja
Strojno učenje svakako postaje sve popularnije jer sve više poduzeća i velikih organizacija koriste tehnologiju za rješavanje specifičnih izazova ili podsticanje inovacija.
Ovo kontinuirano ulaganje pokazuje razumijevanje da mašinsko učenje proizvodi ROI, posebno kroz neke od gore navedenih utvrđenih i ponovljivih slučajeva upotrebe.
Na kraju krajeva, ako je tehnologija dovoljno dobra za Netflix, Facebook, Amazon, Google Maps i tako dalje, velike su šanse da može pomoći i vašoj kompaniji da maksimalno iskoristi svoje podatke.
Kao nov mašinsko učenje Kada se modeli razvijaju i lansiraju, svjedočit ćemo porastu broja aplikacija koje će se koristiti u različitim industrijama.
Ovo se već dešava sa prepoznavanje lica, koja je nekada bila nova funkcija na vašem iPhoneu, ali se sada implementira u širok spektar programa i aplikacija, posebno onih koji se odnose na javnu sigurnost.
Ključ za većinu organizacija koje pokušavaju da započnu sa mašinskim učenjem je da pogledaju mimo svetlih futurističkih vizija i otkriju prave poslovne izazove u kojima vam tehnologija može pomoći.
zaključak
U postindustrijalizovanom dobu, naučnici i profesionalci pokušavaju da naprave kompjuter koji se ponaša više kao ljudi.
Mašina za razmišljanje je najznačajniji doprinos veštačke inteligencije čovečanstvu; Fenomenalan dolazak ove samohodne mašine je brzo promenio korporativne operativne propise.
Samovozeća vozila, automatizirani pomoćnici, zaposleni u autonomnoj proizvodnji i pametni gradovi u posljednje vrijeme su pokazali održivost pametnih mašina. Revolucija mašinskog učenja i budućnost mašinskog učenja će biti sa nama još dugo.
Ostavite odgovor