Taula de continguts[Amaga][Espectacle]
Ara podem calcular l'extensió de l'espai i les petites complexitats de les partícules subatòmiques gràcies als ordinadors.
Els ordinadors superen els humans a l'hora de comptar i calcular, així com de seguir processos lògics sí/no, gràcies als electrons que viatgen a la velocitat de la llum a través dels seus circuits.
Tanmateix, sovint no els veiem com a "intel·ligents", ja que, en el passat, els ordinadors no podien realitzar res sense ser ensenyats (programats) per humans.
Aprenentatge automàtic, inclòs l'aprenentatge profund i intel·ligència artificial, s'ha convertit en una paraula de moda als titulars científics i tecnològics.
Sembla que l'aprenentatge automàtic és omnipresent, però moltes persones que utilitzen la paraula tindrien problemes per definir adequadament què és, què fa i per a què s'utilitza millor.
Aquest article pretén aclarir l'aprenentatge automàtic alhora que ofereix exemples concrets i reals de com funciona la tecnologia per il·lustrar per què és tan beneficiós.
A continuació, analitzarem les diferents metodologies d'aprenentatge automàtic i veurem com s'utilitzen per abordar els reptes empresarials.
Finalment, consultarem la nostra bola de cristall per obtenir algunes prediccions ràpides sobre el futur de l'aprenentatge automàtic.
Què és l'aprenentatge automàtic?
L'aprenentatge automàtic és una disciplina de la informàtica que permet als ordinadors inferir patrons a partir de dades sense que se'ls ensenya explícitament quins són aquests patrons.
Aquestes conclusions es basen sovint en l'ús d'algorismes per avaluar automàticament les característiques estadístiques de les dades i en el desenvolupament de models matemàtics per representar la relació entre diversos valors.
Compareu això amb la informàtica clàssica, que es basa en sistemes deterministes, en què donem explícitament a l'ordinador un conjunt de regles a seguir perquè faci una determinada tasca.
Aquesta manera de programar ordinadors es coneix com a programació basada en regles. L'aprenentatge automàtic difereix i supera la programació basada en regles perquè pot deduir aquestes regles per si mateix.
Suposem que sou un gestor bancari que vol determinar si una sol·licitud de préstec fallarà en el seu préstec.
En un mètode basat en regles, el director del banc (o altres especialistes) informaria expressament a l'ordinador que si la puntuació de crèdit del sol·licitant és per sota d'un determinat nivell, la sol·licitud hauria de ser rebutjada.
Tanmateix, un programa d'aprenentatge automàtic només analitzaria les dades prèvies sobre les qualificacions creditícies dels clients i els resultats dels préstecs i determinarà quin hauria de ser aquest llindar per si mateix.
La màquina aprèn de dades anteriors i crea les seves pròpies regles d'aquesta manera. Per descomptat, això és només una introducció a l'aprenentatge automàtic; Els models d'aprenentatge automàtic del món real són significativament més complicats que un llindar bàsic.
No obstant això, és una excel·lent demostració del potencial de l'aprenentatge automàtic.
Com funciona un màquina aprendre?
Per simplificar les coses, les màquines "aprenen" detectant patrons en dades comparables. Considereu que les dades són informació que recopileu del món exterior. Com més dades s'alimenta una màquina, més "intel·ligent" esdevé.
Tanmateix, no totes les dades són iguals. Suposem que ets un pirata amb un propòsit vital per descobrir les riqueses enterrades a l'illa. Voleu una quantitat substancial de coneixements per localitzar el premi.
Aquest coneixement, com les dades, us pot portar de la manera correcta o incorrecta.
Com més gran sigui la informació/dades adquirides, menys ambigüitat hi ha, i viceversa. Com a resultat, és fonamental tenir en compte el tipus de dades amb què esteu alimentant la vostra màquina per aprendre.
Tanmateix, un cop proporcionada una quantitat substancial de dades, l'ordinador pot fer prediccions. Les màquines poden anticipar el futur sempre que no es desviï gaire del passat.
Les màquines "aprenen" analitzant dades històriques per determinar què és probable que passi.
Si les dades antigues s'assemblen a les dades noves, és probable que les coses que pugueu dir sobre les dades anteriors s'apliquin a les dades noves. És com si mires enrere per veure endavant.
Quins són els tipus d'aprenentatge automàtic?
Els algorismes per a l'aprenentatge automàtic es classifiquen sovint en tres grans tipus (tot i que també s'utilitzen altres esquemes de classificació):
- Aprenentatge supervisat
- Aprenentatge sense supervisió
- Aprenentatge de reforç
Aprenentatge supervisat
L'aprenentatge automàtic supervisat es refereix a tècniques en què el model d'aprenentatge automàtic té una col·lecció de dades amb etiquetes explícites per a la quantitat d'interès (aquesta quantitat sovint s'anomena resposta o objectiu).
Per entrenar models d'IA, l'aprenentatge semisupervisat utilitza una combinació de dades etiquetades i no etiquetades.
Si treballeu amb dades sense etiquetar, haureu d'etiquetar les dades.
L'etiquetatge és el procés d'etiquetatge de mostres per ajudar-los entrenar un aprenentatge automàtic model. L'etiquetatge el fan principalment les persones, cosa que pot ser costosa i requereix molt de temps. Tanmateix, hi ha tècniques per automatitzar el procés d'etiquetatge.
La situació de sol·licitud de préstec que hem comentat abans és una excel·lent il·lustració de l'aprenentatge supervisat. Teníem dades històriques sobre les qualificacions creditícies dels antics sol·licitants de préstecs (i potser els nivells d'ingressos, l'edat, etc.), així com etiquetes específiques que ens indicaven si la persona en qüestió va o no pagar el seu préstec.
La regressió i la classificació són dos subconjunts de tècniques d'aprenentatge supervisat.
- Classificació – Fa ús d'un algorisme per categoritzar les dades correctament. Els filtres de correu brossa són un exemple. El "correu brossa" pot ser una categoria subjectiva (la línia entre les comunicacions de correu brossa i no brossa és borrosa) i l'algoritme de filtre de correu brossa s'està perfeccionant constantment en funció dels vostres comentaris (és a dir, el correu electrònic que els humans marquen com a correu brossa).
- Regressió – És útil per entendre la connexió entre variables dependents i independents. Els models de regressió poden preveure valors numèrics basats en diverses fonts de dades, com ara estimacions d'ingressos de vendes per a una determinada empresa. La regressió lineal, la regressió logística i la regressió polinòmica són algunes de les tècniques de regressió destacades.
Aprenentatge sense supervisió
En l'aprenentatge no supervisat, ens donen dades sense etiquetar i només busquem patrons. Fem veure que ets Amazon. Podem trobar grups (grups de consumidors similars) basats en l'historial de compres dels clients?
Encara que no disposem de dades explícites i concloents sobre les preferències d'una persona, en aquest cas, el simple fet de saber que un conjunt específic de consumidors compren béns comparables ens permet fer suggeriments de compra basats en el que també han comprat altres individus del clúster.
El carrusel d'Amazon "també podria estar interessat" funciona amb tecnologies similars.
L'aprenentatge no supervisat pot agrupar les dades mitjançant l'agrupació o l'associació, depenent del que vulgueu agrupar.
- Clustering – L'aprenentatge no supervisat intenta superar aquest repte buscant patrons a les dades. Si hi ha un clúster o grup similar, l'algoritme els classificarà d'una determinada manera. Intentar categoritzar els clients en funció de l'historial de compres anterior és un exemple d'això.
- Associació – L'aprenentatge no supervisat intenta fer front a aquest repte intentant comprendre les regles i els significats subjacents a diversos grups. Un exemple freqüent d'un problema d'associació és la determinació d'un vincle entre les compres dels clients. Les botigues poden estar interessades a saber quins productes s'han comprat conjuntament i poden utilitzar aquesta informació per organitzar el posicionament d'aquests productes per facilitar-ne l'accés.
Aprenentatge de reforç
L'aprenentatge per reforç és una tècnica per ensenyar models d'aprenentatge automàtic per prendre una sèrie de decisions orientades a objectius en un entorn interactiu. Els casos d'ús de jocs esmentats anteriorment en són una excel·lent il·lustració.
No cal que introduïu milers de partides d'escacs anteriors a AlphaZero, cadascuna amb una jugada "bona" o "pobre". Simplement ensenyeu-li les regles del joc i l'objectiu, i després deixeu-lo provar actes aleatoris.
Es dóna un reforç positiu a les activitats que apropen el programa a l'objectiu (com ara desenvolupar una posició de peó sòlida). Quan els actes tenen l'efecte contrari (com ara canviar prematurament el rei), guanyen reforç negatiu.
El programari finalment pot dominar el joc mitjançant aquest mètode.
Aprenentatge de reforç s'utilitza àmpliament en robòtica per ensenyar robots a accions complicades i difícils d'enginyar. De vegades s'utilitza conjuntament amb la infraestructura viària, com ara els senyals de trànsit, per millorar el flux de trànsit.
Què es pot fer amb l'aprenentatge automàtic?
L'ús de l'aprenentatge automàtic a la societat i la indústria està donant com a resultat avenços en una àmplia gamma d'esforços humans.
A la nostra vida diària, l'aprenentatge automàtic controla ara els algorismes de cerca i imatges de Google, cosa que ens permet relacionar-nos amb més precisió amb la informació que necessitem quan la necessitem.
En medicina, per exemple, l'aprenentatge automàtic s'està aplicant a les dades genètiques per ajudar els metges a entendre i predir com es propaga el càncer, cosa que permet desenvolupar teràpies més efectives.
Les dades de l'espai profund s'estan recopilant aquí a la Terra mitjançant radiotelescopis massius i, després d'analitzar-les amb aprenentatge automàtic, ens està ajudant a esbrinar els misteris dels forats negres.
L'aprenentatge automàtic al detall vincula els compradors amb les coses que volen comprar en línia i també ajuda els empleats de la botiga a personalitzar el servei que ofereixen als seus clients en el món físic.
L'aprenentatge automàtic s'utilitza en la batalla contra el terror i l'extremisme per anticipar el comportament d'aquells que volen fer mal als innocents.
El processament del llenguatge natural (PNL) es refereix al procés de permetre que els ordinadors entenguin i es comuniquin amb nosaltres en llenguatge humà mitjançant l'aprenentatge automàtic, i ha donat com a resultat avenços en la tecnologia de traducció i en els dispositius controlats per veu que fem servir cada dia més, com ara Alexa, Google dot, Siri i Google Assistant.
Sense cap mena de dubte, l'aprenentatge automàtic està demostrant que és una tecnologia transformadora.
Els robots capaços de treballar al nostre costat i potenciar la nostra pròpia originalitat i imaginació amb la seva lògica impecable i velocitat sobrehumana ja no són una fantasia de ciència-ficció, s'estan convertint en una realitat en molts sectors.
Casos d'ús de l'aprenentatge automàtic
1. Ciberseguretat
A mesura que les xarxes s'han complicat, els especialistes en ciberseguretat han treballat incansablement per adaptar-se a la gamma cada cop més gran d'amenaces de seguretat.
Contrarestar el programari maliciós i les tàctiques de pirateria en ràpida evolució és prou difícil, però la proliferació de dispositius d'Internet de les coses (IoT) ha transformat fonamentalment l'entorn de la ciberseguretat.
Els atacs es poden produir en qualsevol moment i en qualsevol lloc.
Afortunadament, els algorismes d'aprenentatge automàtic han permès que les operacions de ciberseguretat es mantinguin al dia amb aquests desenvolupaments ràpids.
Analítica predictiva permet una detecció i una mitigació més ràpides dels atacs, mentre que l'aprenentatge automàtic pot analitzar la teva activitat dins d'una xarxa per detectar anomalies i debilitats en els mecanismes de seguretat existents.
2. Automatització de l'atenció al client
La gestió d'un nombre creixent de contactes de clients en línia ha posat força a l'organització.
Simplement no tenen prou personal d'atenció al client per gestionar el volum de consultes que reben i l'enfocament tradicional d'externalitzar els problemes a un centre de contacte és inacceptable per a molts dels clients actuals.
Els chatbots i altres sistemes automatitzats ara poden fer front a aquestes demandes gràcies als avenços en les tècniques d'aprenentatge automàtic. Les empreses poden alliberar personal per dur a terme un servei d'atenció al client d'alt nivell automatitzant activitats mundanes i de baixa prioritat.
Quan s'utilitza correctament, l'aprenentatge automàtic a les empreses pot ajudar a racionalitzar la resolució de problemes i oferir als consumidors el tipus d'ajuda útil que els converteix en campions compromesos de la marca.
3. Comunicació
Evitar errors i idees errònies és fonamental en qualsevol tipus de comunicació, però més en les comunicacions empresarials actuals.
Els errors gramaticals senzills, el to incorrecte o les traduccions errònies poden causar una sèrie de dificultats en el contacte per correu electrònic, les avaluacions dels clients, Videoconferència, o documentació basada en text en moltes formes.
Els sistemes d'aprenentatge automàtic tenen una comunicació avançada molt més enllà dels dies embriagadors de Clippy de Microsoft.
Aquests exemples d'aprenentatge automàtic han ajudat les persones a comunicar-se de manera senzilla i precisa mitjançant el processament del llenguatge natural, la traducció en temps real i el reconeixement de veu.
Tot i que a moltes persones no els agraden les capacitats de correcció automàtica, també valoren estar protegits dels errors vergonyosos i del to inadequat.
4. Reconeixement d'objectes
Tot i que la tecnologia per recopilar i interpretar dades fa temps que existeix, ensenyar als sistemes informàtics a entendre el que estan mirant ha demostrat ser una tasca enganyosament difícil.
Les capacitats de reconeixement d'objectes s'afegeixen a un nombre creixent de dispositius a causa de les aplicacions d'aprenentatge automàtic.
Un automòbil autònom, per exemple, reconeix un altre cotxe quan en veu un, fins i tot si els programadors no li han donat un exemple exacte d'aquest cotxe per utilitzar-lo com a referència.
Aquesta tecnologia s'utilitza ara a les empreses minoristes per ajudar a accelerar el procés de compra. Les càmeres identifiquen els productes als carretons dels consumidors i poden facturar automàticament els seus comptes quan surten de la botiga.
5. Màrqueting digital
Gran part del màrqueting actual es fa en línia, utilitzant una sèrie de plataformes digitals i programes de programari.
A mesura que les empreses recullen informació sobre els seus consumidors i els seus comportaments de compra, els equips de màrqueting poden utilitzar aquesta informació per crear una imatge detallada del seu públic objectiu i descobrir quines persones estan més proclives a buscar els seus productes i serveis.
Els algorismes d'aprenentatge automàtic ajuden els professionals del màrqueting a donar sentit a totes aquestes dades, descobrint patrons i atributs significatius que els permeten categoritzar amb precisió les possibilitats.
La mateixa tecnologia permet una gran automatització del màrqueting digital. Es poden configurar sistemes publicitaris per descobrir nous consumidors potencials de manera dinàmica i oferir-los contingut de màrqueting rellevant en el moment i el lloc adequats.
Futur de l'aprenentatge automàtic
Sens dubte, l'aprenentatge automàtic està guanyant popularitat a mesura que més empreses i grans organitzacions utilitzen la tecnologia per afrontar reptes específics o impulsar la innovació.
Aquesta inversió continuada demostra la comprensió que l'aprenentatge automàtic està produint un ROI, especialment a través d'alguns dels casos d'ús establerts i reproduïbles esmentats anteriorment.
Després de tot, si la tecnologia és prou bona per a Netflix, Facebook, Amazon, Google Maps, etc., és probable que també ajudi la vostra empresa a treure el màxim profit de les seves dades.
Com a novetat màquina d'aprenentatge Es desenvolupen i es llancen models, assistirem a un augment en el nombre d'aplicacions que s'utilitzaran a través de les indústries.
Això ja està passant amb reconeixement facial, que abans era una funció nova al vostre iPhone, però que ara s'està implementant en una àmplia gamma de programes i aplicacions, especialment aquelles relacionades amb la seguretat pública.
La clau per a la majoria de les organitzacions que intenten començar amb l'aprenentatge automàtic és mirar més enllà de les brillants visions futuristes i descobrir els reptes empresarials reals amb què la tecnologia us pot ajudar.
Conclusió
En l'era postindustrialitzada, científics i professionals han intentat crear un ordinador que es comporti més com els humans.
La màquina de pensar és la contribució més significativa de la IA a la humanitat; la fenomenal arribada d'aquesta màquina autopropulsada ha transformat ràpidament la normativa de funcionament de les empreses.
Els vehicles autònoms, els assistents automatitzats, els empleats de fabricació autònoms i les ciutats intel·ligents han demostrat darrerament la viabilitat de les màquines intel·ligents. La revolució de l'aprenentatge automàtic i el futur de l'aprenentatge automàtic estaran amb nosaltres durant molt de temps.
Deixa un comentari