Enhavtabelo[Kaŝi][Montri]
Ni povas nun kalkuli la spacon kaj la etajn komplikaĵojn de subatomaj partikloj danke al komputiloj.
Komputiloj venkas homojn kiam temas pri kalkulo kaj kalkulo, same kiel sekvado de logikaj jes/ne-procezoj, danke al elektronoj vojaĝantaj kun la lumrapideco per sia cirkulado.
Tamen, ni ne ofte vidas ilin kiel "inteligentaj" ĉar, en la pasinteco, komputiloj ne povis fari ion ajn sen esti instruitaj (programitaj) de homoj.
Maŝina lernado, inkluzive de profunda lernado kaj artefarita inteligento, fariĝis furorvorto en sciencaj kaj teknologiaj fraptitoloj.
Maŝinlernado ŝajnas esti ĉiea, sed multaj homoj kiuj uzas la vorton luktus por adekvate difini kio ĝi estas, kion ĝi faras, kaj por kio ĝi estas plej bone uzata.
Ĉi tiu artikolo celas klarigi maŝinlernadon dum ankaŭ provizante konkretajn, realajn ekzemplojn de kiel la teknologio funkcias por ilustri kial ĝi estas tiel utila.
Poste, ni rigardos la diversajn maŝinlernajn metodarojn kaj vidos kiel ili estas uzataj por trakti komercajn defiojn.
Fine, ni konsultos nian kristalan globon por rapidaj antaŭdiroj pri la estonteco de maŝinlernado.
Kio estas Maŝina Lernado?
Maŝinlernado estas disciplino de komputiko kiu ebligas komputilojn konkludi ŝablonojn el datenoj sen esti eksplicite instruita kio tiuj ŝablonoj estas.
Tiuj konkludoj estas ofte bazitaj sur uzado de algoritmoj por aŭtomate taksi la statistikajn ecojn de la datenoj kaj evoluigado de matematikaj modeloj por prezenti la rilaton inter diversaj valoroj.
Komparu ĉi tion kun klasika komputado, kiu estas bazita sur determinismaj sistemoj, en kiuj ni eksplicite donas al la komputilo aron de reguloj por sekvi por ke ĝi faru certan taskon.
Ĉi tiu maniero de programado de komputiloj estas konata kiel regul-bazita programado. Maŝinlernado devias kaj superas regul-bazitan programadon en tio ke ĝi povas dedukti tiujn regulojn memstare.
Supozu, ke vi estas bankdirektoro, kiu volas determini ĉu prunto-peto malsukcesos pri sia prunto.
En regul-bazita metodo, la bankdirektoro (aŭ aliaj specialistoj) eksplicite informus la komputilon, ke se la kreditpoentaro de la kandidato estas sub certa nivelo, la kandidatiĝo estu malakceptita.
Tamen, maŝinlernado programo simple analizus antaŭajn datumojn pri klientaj kredittaksoj kaj pruntrezultoj kaj determinus kio ĉi tiu sojlo devus esti memstare.
La maŝino lernas de antaŭaj datumoj kaj kreas siajn proprajn regulojn tiamaniere. Kompreneble, ĉi tio estas nur instrukcio pri maŝinlernado; real-mondaj maŝinlernado-modeloj estas signife pli komplikaj ol baza sojlo.
Tamen, ĝi estas bonega pruvo de la potencialo de maŝina lernado.
Kiel funkcias a maŝino lerni?
Por konservi aferojn simplaj, maŝinoj "lernas" detektante ŝablonojn en kompareblaj datumoj. Konsideru datumojn kiel informojn, kiujn vi kolektas el la ekstera mondo. Ju pli da datumoj maŝino estas nutrita, des pli "saĝa" ĝi fariĝas.
Tamen, ne ĉiuj datumoj estas samaj. Supozu, ke vi estas pirato kun vivcelo malkovri la entombigitajn riĉaĵojn sur la insulo. Vi deziros grandan kvanton da scio por lokalizi la premion.
Ĉi tiu scio, kiel datumoj, povas aŭ preni vin en la ĝusta aŭ malĝusta maniero.
Ju pli granda estas la informoj/datenoj akiritaj, des malpli da ambigueco estas, kaj inverse. Kiel rezulto, estas grave konsideri la specon de datumoj, de kiuj vi nutras vian maŝinon por lerni.
Tamen, post kiam granda kvanto da datenoj estas disponigita, la komputilo povas fari prognozojn. Maŝinoj povas antaŭvidi la estontecon kondiĉe ke ĝi ne multe devias de la pasinteco.
Maŝinoj "lernas" analizante historiajn datumojn por determini kio verŝajne okazos.
Se la malnovaj datumoj similas al la novaj datumoj, tiam la aferoj, kiujn vi povas diri pri la antaŭaj datumoj, verŝajne aplikiĝos al la novaj datumoj. Estas kvazaŭ vi rigardas malantaŭen por vidi antaŭen.
Kiuj estas la specoj de maŝinlernado?
Algoritmoj por maŝinlernado estas ofte klasifikitaj en tri larĝajn tipojn (kvankam aliaj klasifikkabaloj ankaŭ estas uzitaj):
- Kontrolita lernado
- Nekontrolita lernado
- Plifortiga lernado
Kontrolita lernado
Kontrolita maŝinlernado rilatas al teknikoj en kiuj la maŝinlernadmodelo ricevas kolekton de datenoj kun eksplicitaj etikedoj por la kvanto de intereso (tiu kvanto ofte estas referita kiel la respondo aŭ celo).
Por trejni AI-modelojn, duonkontrolita lernado uzas miksaĵon de etikeditaj kaj neetikeditaj datumoj.
Se vi laboras kun neetikeditaj datumoj, vi devos entrepreni iun datumetikedadon.
Etikedado estas la procezo de etikedado de specimenoj por helpi trejnado de maŝinlernado modelo. Etikedado estas ĉefe farita de homoj, kio povas esti multekosta kaj tempopostula. Tamen, ekzistas teknikoj por aŭtomatigi la etikedprocezon.
La situacio pri prunto-kandidatiĝo, kiun ni antaŭe diskutis, estas bonega ilustraĵo de kontrolita lernado. Ni havis historiajn datumojn pri kredittaksoj de iamaj kreditkandidatoj (kaj eble enspezniveloj, aĝo, ktp) kaj ankaŭ specifajn etikedojn kiuj diris al ni ĉu, aŭ ne la koncerna persono nepagis sian prunton.
Regreso kaj klasifiko estas du subaroj de kontrolitaj lernaj teknikoj.
- Klasifikado – Ĝi uzas algoritmon por kategoriigi datumojn ĝuste. Spam-filtriloj estas unu ekzemplo. "Spamo" povas esti subjektiva kategorio—la linio inter spamado kaj ne-spamaj komunikadoj estas malklara—kaj la spamfiltrila algoritmo konstante rafinas sin depende de viaj sugestoj (tio signifas retpoŝton, kiun homoj markas kiel spamon).
- malprogreso – Ĝi estas helpema por kompreni la rilaton inter dependaj kaj sendependaj variabloj. Regresaj modeloj povas antaŭvidi nombrajn valorojn bazitajn sur pluraj datumfontoj, kiel vendaj enspezaj taksoj por certa firmao. Linia regreso, loĝistika regreso, kaj polinoma regreso estas kelkaj elstaraj regresteknikoj.
Nekontrolita lernado
En nekontrolita lernado, ni ricevas neetikeditajn datumojn kaj nur serĉas ŝablonojn. Ni ŝajnigu, ke vi estas Amazono. Ĉu ni povas trovi iujn grupojn (grupojn de similaj konsumantoj) surbaze de klienta aĉethistorio?
Eĉ dum ni ne havas eksplicitajn, decidajn datumojn pri la preferoj de persono, en ĉi tiu kazo, simple sciante ke specifa aro de konsumantoj aĉetas kompareblajn varojn permesas al ni fari aĉetsugestojn bazitajn sur tio, kion aliaj individuoj en la areto ankaŭ aĉetis.
La karuselo de Amazon "pri kiu vi povus ankaŭ interesiĝi" funkcias per similaj teknologioj.
Nekontrolita lernado povas grupigi datumojn per kunigo aŭ asocio, depende de tio, kion vi volas grupigi.
- Agrupamiento – Nekontrolita lernado provas venki ĉi tiun defion serĉante ŝablonojn en la datumoj. Se ekzistas simila areto aŭ grupo, la algoritmo kategoriigos ilin en certa maniero. Provi kategoriigi klientojn surbaze de antaŭa aĉethistorio estas ekzemplo de tio.
- asocio – Nekontrolita lernado provas trakti ĉi tiun defion provante kompreni la regulojn kaj signifojn subestajn diversajn grupojn. Ofta ekzemplo de asocia problemo estas determini ligon inter klientaj aĉetoj. Vendejoj povas interesiĝi pri scii, kiaj varoj estis aĉetitaj kune kaj povas uzi ĉi tiujn informojn por aranĝi la poziciigon de ĉi tiuj produktoj por facila aliro.
Plifortiga Lernado
Plifortiga lernado estas tekniko por instrui maŝinlernajn modelojn fari serion de cel-orientitaj decidoj en interaga medio. La ludaj uzkazoj menciitaj supre estas bonegaj ilustraĵoj de tio.
Vi ne devas enigi AlphaZero milojn da antaŭaj ŝakludoj, ĉiu kun "bona" aŭ "malbona" movo etikedita. Simple instruu al ĝi la regulojn de la ludo kaj la celon, kaj poste lasu ĝin provi hazardajn agojn.
Pozitiva plifortikigo ricevas al agadoj kiuj prenas la programon pli proksime al la celo (kiel ekzemple evoluigado de solida peonpozicio). Kiam agoj havas la kontraŭan efikon (kiel ekzemple trofrue ŝanĝi la reĝon), ili gajnas negativan plifortikigon.
La programaro povas finfine regi la ludon uzante ĉi tiun metodon.
Plifortiga lernado estas vaste uzata en robotiko por instrui robotojn pri komplikaj kaj malfacile realigeblaj agoj. Ĝi foje estas utiligita lige kun vojinfrastrukturo, kiel ekzemple trafiksignaloj, por plibonigi trafikfluon.
Kion oni povas fari kun maŝina lernado?
La uzo de maŝinlernado en socio kaj industrio rezultigas progresojn en larĝa gamo de homaj klopodoj.
En nia ĉiutaga vivo, maŝina lernado nun kontrolas la serĉajn kaj bildajn algoritmojn de Guglo, ebligante nin pli precize kongrui kun la informoj, kiujn ni bezonas kiam ni bezonas ĝin.
En medicino, ekzemple, maŝinlernado estas aplikata al genetikaj datumoj por helpi kuracistojn kompreni kaj antaŭdiri kiel kancero disvastiĝas, ebligante disvolvi pli efikajn terapiojn.
Datenoj el profunda spaco estas kolektitaj ĉi tie sur la Tero per masivaj radioteleskopoj - kaj post analizo per maŝina lernado, ĝi helpas nin malimpliki la misterojn de nigraj truoj.
Maŝina lernado en podetala komerco ligas aĉetantojn kun aferoj, kiujn ili deziras aĉeti interrete, kaj ankaŭ helpas butikdungitojn adapti la servon, kiun ili provizas al siaj klientoj en la brika mondo.
Maŝinlernado estas utiligita en la batalo kontraŭ teruro kaj ekstremismo por antaŭvidi la konduton de tiuj kiuj deziras vundi la senkulpulon.
Naturlingva prilaborado (NLP) rilatas al la procezo de permesado al komputiloj kompreni kaj komuniki kun ni en homa lingvo per maŝina lernado, kaj ĝi rezultigis sukcesojn en tradukteknologio same kiel la voĉkontrolitajn aparatojn, kiujn ni ĉiam pli uzas ĉiutage, kiel ekzemple. Alexa, Google dot, Siri kaj Google-asistanto.
Sen demando, maŝinlernado pruvas, ke ĝi estas transforma teknologio.
Robotoj kapablaj labori kune kun ni kaj akceli nian propran originalecon kaj imagon per sia senriproĉa logiko kaj superhoma rapideco ne plu estas sciencfikcia fantazio - ili fariĝas realaĵo en multaj sektoroj.
Maŝinlernado uzkazoj
1. Cibersekureco
Ĉar retoj fariĝis pli komplikaj, specialistoj pri cibersekureco laboris senlace por adaptiĝi al la ĉiam pligrandiĝanta gamo de sekurecaj minacoj.
Kontraŭbatali rapide evoluantajn malware kaj piratajn taktikojn estas sufiĉe malfacila, sed la proliferado de Interreto de Aĵoj (IoT) aparatoj fundamente transformis la cibersekurecan medion.
Atakoj povas okazi en ajna momento kaj en ajna loko.
Feliĉe, maŝinlernado-algoritmoj ebligis operaciojn pri cibersekureco daŭrigi ĉi tiujn rapidajn evoluojn.
Antaŭdira analitiko ebligu pli rapidan detekton kaj mildigon de atakoj, dum maŝinlernado povas analizi vian agadon ene de reto por detekti anomaliojn kaj malfortojn en ekzistantaj sekurecaj mekanismoj.
2. Aŭtomatigo de klienta servo
Administri kreskantan nombron da interretaj klientkontaktoj streĉis multe da organizo.
Ili simple ne havas sufiĉe da klientserva personaro por trakti la volumon de enketoj, kiujn ili ricevas, kaj la tradician aliron de subkontraktado de aferoj al iu. kontakta centro estas nur neakceptebla por multaj el la hodiaŭaj klientoj.
Chatbots kaj aliaj aŭtomatigitaj sistemoj nun povas trakti ĉi tiujn postulojn danke al progresoj en maŝinlernado-teknikoj. Firmaoj povas liberigi personaron por entrepreni pli altnivelan klientsubtenon aŭtomatigante sekularajn kaj malaltprioritajn agadojn.
Se uzata ĝuste, maŝinlernado en komerco povas helpi simpligi problemon kaj provizi konsumantojn per la speco de helpema subteno, kiu igas ilin engaĝitaj markĉampionoj.
3 Komunikado
Eviti erarojn kaj miskompreniĝojn estas kritika en ajna speco de komunikado, sed pli en la hodiaŭaj komercaj komunikadoj.
Simplaj gramatikaj eraroj, malĝusta tono aŭ eraraj tradukoj povas kaŭzi gamon da malfacilaĵoj en retpoŝta kontakto, klienttaksoj, videokonferenco, aŭ tekst-bazita dokumentaro en multaj formoj.
Maŝinaj lernsistemoj progresigis komunikadon multe preter la kapecaj tagoj de Clippy de Microsoft.
Ĉi tiuj maŝinlernadaj ekzemploj helpis individuojn komuniki simple kaj precize uzante naturlingvan prilaboradon, realtempan lingvotradukon kaj parolrekonon.
Dum multaj individuoj malŝatas aŭtomatajn korektajn kapablojn, ili ankaŭ taksas esti protektitaj kontraŭ embarasaj eraroj kaj nedeca tono.
4. Objekta Rekono
Dum la teknologio por kolekti kaj interpreti datumojn ekzistas de kelka tempo, instrui komputilajn sistemojn kompreni kion ili rigardas pruvis esti trompe malfacila tasko.
Objektrekonaj kapabloj estas aldonitaj al kreskanta nombro da aparatoj pro maŝinlernado-aplikaĵoj.
Aŭtomobilo, ekzemple, rekonas alian aŭton kiam ĝi vidas tian, eĉ se programistoj ne donis al ĝi precizan ekzemplon de tiu aŭto por uzi kiel referencon.
Ĉi tiu teknologio nun estas uzata en podetalaj entreprenoj por helpi akceli la kasprocezon. Fotiloj identigas la produktojn en ĉaroj de konsumantoj kaj povas aŭtomate fakturi siajn kontojn kiam ili forlasas la butikon.
5. Cifereca Merkatado
Granda parto de la hodiaŭa merkatado estas farita interrete, uzante gamon da ciferecaj platformoj kaj programoj.
Ĉar entreprenoj kolektas informojn pri siaj konsumantoj kaj iliaj aĉetaj kondutoj, merkatigteamoj povas uzi tiujn informojn por konstrui detalan bildon de sia celgrupo kaj malkovri kiuj homoj estas pli emaj serĉi siajn produktojn kaj servojn.
Algoritmoj de maŝinlernado helpas merkatistojn kompreni ĉiujn tiujn datumojn, malkovrante signifajn ŝablonojn kaj atributojn, kiuj ebligas al ili strikte kategoriigi eblecojn.
La sama teknologio permesas grandan ciferecan merkatikan aŭtomatigon. Adsistemoj povas esti instalitaj por malkovri novajn eventualajn konsumantojn dinamike kaj provizi koncernan merkatan enhavon al ili en la ĝusta tempo kaj loko.
Estonteco de Maŝina Lernado
Maŝina lernado certe gajnas popularecon, ĉar pli da entreprenoj kaj grandegaj organizoj uzas la teknologion por trakti specifajn defiojn aŭ nutri novigon.
Ĉi tiu daŭra investo montras komprenon, ke maŝinlernado produktas ROI, precipe per iuj el la supre menciitaj establitaj kaj reprodukteblaj uzkazoj.
Post ĉio, se la teknologio estas sufiĉe bona por Netflix, Facebook, Amazon, Google Maps, kaj tiel plu, eble ĝi povas helpi vian kompanion ankaŭ utiligi siajn datumojn.
Kiel nova maŝinlernado modeloj estas evoluigitaj kaj lanĉitaj, ni atestos pliiĝon en la nombro da aplikoj kiuj estos uzataj tra industrioj.
Ĉi tio jam okazas kun vizaĝrekono, kiu iam estis nova funkcio en via iPhone sed nun estas efektivigita en larĝa gamo de programoj kaj aplikoj, precipe tiuj rilataj al publika sekureco.
La ŝlosilo por plej multaj organizoj, kiuj provas komenci kun maŝinlernado, estas preterrigardi la brilajn futurismajn viziojn kaj malkovri la verajn komercajn defiojn, pri kiuj la teknologio povas helpi vin.
konkludo
En la post-industriigita epoko, sciencistoj kaj profesiuloj provis krei komputilon kiu kondutas pli kiel homoj.
La pensanta maŝino estas la plej signifa kontribuo de AI al la homaro; la fenomena alveno de ĉi tiu memmovita maŝino rapide transformis kompaniajn operaciajn regularojn.
Memveturaj veturiloj, aŭtomatigitaj asistantoj, aŭtonomaj fabrikaj dungitoj kaj inteligentaj urboj lastatempe pruvis la daŭrigeblecon de inteligentaj maŝinoj. La maŝinlernado revolucio, kaj la estonteco de maŝinlernado, estos kun ni por longa tempo.
Lasi Respondon