Obsah[Skrýt][Ukázat]
Díky počítačům nyní můžeme vypočítat rozlohu vesmíru a nepatrnou složitost subatomárních částic.
Počítače porážejí lidi, pokud jde o počítání a výpočty, stejně jako následování logických procesů ano/ne, díky elektronům, které se svými obvody pohybují rychlostí světla.
Často je však nevidíme jako „inteligentní“, protože v minulosti nemohly počítače nic vykonávat, aniž by je lidé učili (naprogramovali).
Strojové učení, včetně hlubokého učení a umělá inteligence, se stal módním slovem ve vědeckých a technologických titulcích.
Zdá se, že strojové učení je všudypřítomné, ale mnoho lidí, kteří toto slovo používají, by mělo problém adekvátně definovat, co to je, co dělá a k čemu se nejlépe používá.
Tento článek se snaží objasnit strojové učení a zároveň poskytuje konkrétní příklady z reálného světa, jak tato technologie funguje, aby ilustrovala, proč je tak přínosná.
Poté se podíváme na různé metodologie strojového učení a uvidíme, jak se používají k řešení obchodních problémů.
Nakonec se podíváme na naši křišťálovou kouli pro několik rychlých předpovědí o budoucnosti strojového učení.
Co je strojové učení?
Strojové učení je disciplína počítačové vědy, která umožňuje počítačům odvodit vzorce z dat, aniž by se explicitně učily, co tyto vzorce jsou.
Tyto závěry jsou často založeny na použití algoritmů k automatickému posouzení statistických vlastností dat a na vývoji matematických modelů pro zobrazení vztahu mezi různými hodnotami.
Porovnejte to s klasickým počítáním, které je založeno na deterministických systémech, ve kterých explicitně dáváme počítači sadu pravidel, kterými se musí řídit, aby mohl provést určitý úkol.
Tento způsob programování počítačů je známý jako programování založené na pravidlech. Strojové učení se liší od programování založeného na pravidlech a předčí jej v tom, že si tato pravidla dokáže odvodit samo.
Předpokládejme, že jste bankovní manažer, který chce zjistit, zda žádost o půjčku u jejich půjčky selže.
V metodě založené na pravidlech by manažer banky (nebo jiní specialisté) výslovně informoval počítač, že pokud je kreditní skóre žadatele pod určitou úrovní, žádost by měla být zamítnuta.
Program strojového učení by však jednoduše analyzoval předchozí údaje o úvěrových hodnoceních klientů a výsledcích půjček a sám by určil, jaká by tato hranice měla být.
Stroj se učí z předchozích dat a vytváří si tak vlastní pravidla. Samozřejmě, toto je pouze základ strojového učení; modely strojového učení v reálném světě jsou podstatně komplikovanější než základní práh.
Nicméně je to vynikající ukázka potenciálu strojového učení.
Jak to funguje? stroj Učit se?
Aby věci zůstaly jednoduché, stroje se „učí“ detekcí vzorců ve srovnatelných datech. Data považujte za informace, které shromažďujete z vnějšího světa. Čím více dat je stroj napájen, tím „chytřejší“ se stává.
Ne všechna data jsou však stejná. Předpokládejme, že jste pirát, jehož životním cílem je odhalit skryté bohatství na ostrově. K nalezení ceny budete potřebovat značné množství znalostí.
Tyto znalosti, stejně jako data, vás mohou vést správným nebo špatným způsobem.
Čím větší jsou získané informace/data, tím méně nejasností a naopak. V důsledku toho je důležité vzít v úvahu druh dat, která do svého stroje dodáváte, aby se z nich mohl učit.
Jakmile je však poskytnuto značné množství dat, počítač může provádět předpovědi. Stroje mohou předvídat budoucnost, pokud se příliš neodchyluje od minulosti.
Stroje se „učí“ analýzou historických dat, aby určily, co se pravděpodobně stane.
Pokud se stará data podobají novým datům, pak věci, které můžete říci o předchozích datech, budou pravděpodobně platit i pro nová data. Je to, jako byste se dívali zpět, abyste viděli dopředu.
Jaké jsou typy strojového učení?
Algoritmy pro strojové učení jsou často klasifikovány do tří širokých typů (i když se používají i jiná klasifikační schémata):
- Dozorované učení
- Nerušené učení
- Posílení učení
Dozorované učení
Strojové učení pod dohledem se týká technik, ve kterých je modelu strojového učení přiřazen soubor dat s explicitními štítky pro množství zájmu (tato veličina se často označuje jako odezva nebo cíl).
K trénování modelů umělé inteligence využívá polořízené učení kombinaci označených a neoznačených dat.
Pokud pracujete s neoznačenými daty, budete muset provést nějaké označení dat.
Označování je proces označování vzorků za účelem pomoci trénovat strojové učení Modelka. Označování provádí především lidé, což může být nákladné a časově náročné. Existují však techniky, jak proces označování automatizovat.
Situace s žádostí o půjčku, o které jsme hovořili dříve, je vynikající ilustrací učení pod dohledem. Měli jsme historická data týkající se úvěrového hodnocení bývalých žadatelů o půjčku (a možná úrovně příjmů, věku atd.) a také konkrétní štítky, které nám řekly, zda dotyčná osoba nesplácela svou půjčku, či nikoli.
Regrese a klasifikace jsou dvě podskupiny technik učení pod dohledem.
- Klasifikace – Využívá algoritmus pro správnou kategorizaci dat. Jedním z příkladů jsou spamové filtry. „Spam“ může být subjektivní kategorií – hranice mezi nevyžádanou a nespamovou komunikací je nejasná – a algoritmus filtru nevyžádané pošty se neustále zdokonaluje v závislosti na vaší zpětné vazbě (což znamená e-maily, které lidé označují jako spam).
- Regrese – Pomáhá při pochopení souvislosti mezi závislými a nezávislými proměnnými. Regresní modely mohou předpovídat číselné hodnoty na základě několika zdrojů dat, jako jsou odhady tržeb z prodeje pro určitou společnost. Lineární regrese, logistická regrese a polynomiální regrese jsou některé prominentní regresní techniky.
Nerušené učení
Při učení bez dozoru dostáváme neoznačená data a jen hledáme vzorce. Předstírejme, že jste Amazon. Můžeme najít nějaké shluky (skupiny podobných spotřebitelů) na základě historie nákupů klientů?
I když nemáme explicitní, nezvratné údaje o preferencích určité osoby, v tomto případě nám jednoduše vědomí, že konkrétní skupina spotřebitelů nakupuje srovnatelné zboží, umožňuje navrhovat nákupy na základě toho, co si ostatní jednotlivci v seskupení také zakoupili.
Kolotoč Amazon „to by vás také mohl zajímat“ je poháněn podobnými technologiemi.
Učení bez dozoru může seskupit data pomocí shlukování nebo přidružení v závislosti na tom, co chcete seskupit.
- Clustering – Učení bez dozoru se pokouší překonat tento problém hledáním vzorců v datech. Pokud existuje podobný shluk nebo skupina, algoritmus je určitým způsobem kategorizuje. Pokus o kategorizaci klientů na základě předchozí historie nákupů je toho příkladem.
- Sdružení – Učení bez dozoru se pokouší vypořádat se s touto výzvou tím, že se snaží pochopit pravidla a významy, na nichž jsou různé skupiny založeny. Častým příkladem asociačního problému je určení vazby mezi nákupy zákazníků. Obchody mohou mít zájem vědět, jaké zboží bylo zakoupeno společně, a mohou tyto informace použít k uspořádání umístění těchto produktů pro snadný přístup.
Posílení učení
Posílení učení je technika pro výuku modelů strojového učení, aby bylo možné v interaktivním prostředí dělat řadu rozhodnutí zaměřených na cíl. Výše uvedené případy herního použití jsou toho skvělým příkladem.
Nemusíte zadávat AlphaZero tisíce předchozích šachových partií, každá s označením „dobrý“ nebo „špatný“ tah. Jednoduše ji naučte pravidla hry a cíl a pak ji nechte zkoušet náhodné akce.
Pozitivní posílení je věnováno činnostem, které přibližují program k cíli (jako je vytvoření pevné pozice pěšce). Když mají činy opačný účinek (jako je předčasné posunutí krále), získávají negativní posílení.
Software může nakonec zvládnout hru pomocí této metody.
Posílení učení je široce používán v robotice k výuce robotů pro komplikované a obtížně inženýrské činnosti. Někdy se používá ve spojení s infrastrukturou vozovek, jako jsou dopravní signály, ke zlepšení plynulosti dopravy.
Co lze udělat pomocí strojového učení?
Využití strojového učení ve společnosti a průmyslu vede k pokroku v široké škále lidských snah.
V našem každodenním životě nyní strojové učení ovládá vyhledávací a obrázkové algoritmy Google, což nám umožňuje přesněji přiřadit informace, které potřebujeme, když je potřebujeme.
Například v medicíně je strojové učení aplikováno na genetická data, aby lékařům pomohlo pochopit a předpovědět, jak se rakovina šíří, což umožňuje vyvinout účinnější terapie.
Data z hlubokého vesmíru se zde na Zemi shromažďují pomocí masivních radioteleskopů – a po analýze pomocí strojového učení nám pomáhají odhalit tajemství černých děr.
Strojové učení v maloobchodě spojuje kupující s věcmi, které si chtějí koupit online, a také pomáhá zaměstnancům obchodů přizpůsobit služby, které poskytují svým klientům v kamenném světě.
Strojové učení se používá v boji proti terorismu a extremismu k předvídání chování těch, kteří chtějí ublížit nevinným.
Zpracování přirozeného jazyka (NLP) označuje proces, který umožňuje počítačům rozumět lidské řeči a komunikovat s námi prostřednictvím strojového učení, což vedlo k průlomům v překladatelské technologii a také v zařízeních ovládaných hlasem, která stále častěji používáme každý den, jako např. Alexa, Google dot, Siri a asistent Google.
Strojové učení bezesporu ukazuje, že jde o transformační technologii.
Roboti, kteří jsou schopni pracovat po našem boku a rozšiřovat naši vlastní originalitu a představivost svou bezchybnou logikou a nadlidskou rychlostí, již nejsou fantazií sci-fi – stávají se realitou v mnoha odvětvích.
Případy použití strojového učení
1. Kybernetická bezpečnost
S tím, jak se sítě staly komplikovanějšími, specialisté na kybernetickou bezpečnost neúnavně pracovali na přizpůsobení se neustále se rozšiřující řadě bezpečnostních hrozeb.
Boj proti rychle se vyvíjejícímu malwaru a hackerským taktikám je dostatečně náročný, ale šíření zařízení internetu věcí (IoT) zásadně proměnilo prostředí kybernetické bezpečnosti.
K útokům může dojít kdykoli a na jakémkoli místě.
Naštěstí algoritmy strojového učení umožnily operacím kybernetické bezpečnosti držet krok s tímto rychlým vývojem.
Prediktivní analytika umožňují rychlejší detekci a zmírnění útoků, zatímco strojové učení může analyzovat vaši aktivitu v síti a odhalit abnormality a slabá místa ve stávajících bezpečnostních mechanismech.
2. Automatizace zákaznických služeb
Správa rostoucího počtu online klientských kontaktů zatěžuje organizaci.
Jednoduše nemají dostatek pracovníků zákaznických služeb, aby zvládli objem dotazů, které dostávají, a tradiční přístup outsourcingu kontaktní centrum je pro mnohé dnešní klienty prostě nepřijatelné.
Chatboti a další automatizované systémy nyní mohou tyto požadavky řešit díky pokrokům v technikách strojového učení. Společnosti mohou uvolnit zaměstnance, aby mohli provádět vyšší zákaznickou podporu na vysoké úrovni automatizací běžných činností a činností s nízkou prioritou.
Při správném použití může strojové učení v podnikání pomoci zefektivnit řešení problémů a poskytnout spotřebitelům typ užitečné podpory, díky kterému se stanou oddanými šampióny značky.
3. Komunikace
Vyhýbání se chybám a mylným představám je zásadní v každém typu komunikace, ale ještě více v dnešní obchodní komunikaci.
Jednoduché gramatické chyby, nesprávný tón nebo chybné překlady mohou způsobit řadu potíží při e-mailovém kontaktu, hodnocení zákazníků, video konferencenebo textová dokumentace v mnoha podobách.
Systémy strojového učení mají pokročilou komunikaci daleko za opojnými dny Microsoftu Clippy.
Tyto příklady strojového učení pomohly jednotlivcům jednoduše a přesně komunikovat pomocí zpracování přirozeného jazyka, překladu jazyka v reálném čase a rozpoznávání řeči.
Zatímco mnoho jedinců nemá rádo funkce autokorekce, oceňují také ochranu před trapnými chybami a nevhodným tónem.
4. Rozpoznávání objektů
Zatímco technologie pro shromažďování a interpretaci dat existuje již nějakou dobu, naučit počítačové systémy, aby rozuměly tomu, na co se dívají, se ukázalo jako klamně obtížný úkol.
Schopnosti rozpoznávání objektů jsou přidávány do stále většího počtu zařízení kvůli aplikacím strojového učení.
Například auto s vlastním řízením rozpozná jiné auto, když nějaké uvidí, i když mu programátoři neposkytli přesný příklad toho auta, který by se měl použít jako reference.
Tato technologie se nyní používá v maloobchodních podnicích, aby pomohla urychlit proces placení. Kamery identifikují produkty v košíku spotřebitelů a mohou automaticky fakturovat jejich účty, když opustí obchod.
5. Digitální marketing
Velká část dnešního marketingu se provádí online pomocí řady digitálních platforem a softwarových programů.
Jak podniky shromažďují informace o svých spotřebitelích a jejich nákupním chování, marketingové týmy mohou tyto informace použít k vytvoření podrobného obrazu o své cílové skupině a zjistit, kteří lidé mají větší sklon vyhledávat jejich produkty a služby.
Algoritmy strojového učení pomáhají obchodníkům porozumět všem těm datům, objevovat významné vzorce a atributy, které jim umožňují přesně kategorizovat možnosti.
Stejná technologie umožňuje velkou automatizaci digitálního marketingu. Reklamní systémy lze nastavit tak, aby dynamicky objevovaly nové potenciální zákazníky a poskytovaly jim relevantní marketingový obsah ve správný čas a na správném místě.
Budoucnost strojového učení
Strojové učení si jistě získává na popularitě, protože stále více podniků a velkých organizací používá technologii k řešení konkrétních výzev nebo k podpoře inovací.
Tato pokračující investice dokazuje pochopení, že strojové učení vytváří návratnost investic, zejména prostřednictvím některých výše uvedených zavedených a reprodukovatelných případů použití.
Koneckonců, pokud je technologie dostatečně dobrá pro Netflix, Facebook, Amazon, Google Maps a tak dále, je pravděpodobné, že pomůže vaší společnosti co nejlépe využít její data.
Jako nový strojové učení jsou vyvíjeny a uváděny na trh, budeme svědky nárůstu počtu aplikací, které budou používány napříč odvětvími.
To se již děje s rozpoznávání obličejů, což byla kdysi nová funkce na vašem iPhone, ale nyní je implementována do široké řady programů a aplikací, zejména těch, které se týkají veřejné bezpečnosti.
Klíčem pro většinu organizací, které se snaží začít se strojovým učením, je podívat se za jasné futuristické vize a objevit skutečné obchodní výzvy, se kterými vám tato technologie může pomoci.
Proč investovat do čističky vzduchu?
V postindustrializované době se vědci a odborníci pokoušeli vytvořit počítač, který by se choval více jako lidé.
Myslící stroj je nejvýznamnějším příspěvkem AI lidstvu; fenomenální příchod tohoto samojízdného stroje rychle změnil podnikové provozní předpisy.
Samořídící vozidla, automatizovaní asistenti, zaměstnanci autonomní výroby a chytrá města v poslední době prokázaly životaschopnost chytrých strojů. Revoluce strojového učení a budoucnost strojového učení tu s námi budou ještě dlouho.
Napsat komentář