Sisukord[Peida][Näita]
Tänu arvutitele saame nüüd välja arvutada ruumi avaruse ja subatomaarsete osakeste keerukuse.
Arvutid võidavad inimesi nii loendamisel ja arvutamisel kui ka loogiliste jah/ei-protsesside järgimisel tänu elektronidele, mis liiguvad vooluahela kaudu valguse kiirusel.
Kuid me ei näe neid sageli "intelligentsetena", kuna minevikus ei suutnud arvutid midagi teha ilma inimeste õpetamata (programmeerimata).
Masinõpe, sealhulgas süvaõpe ja tehisintellekti, on muutunud moesõnaks teaduse ja tehnoloogia pealkirjades.
Masinõpe näib olevat kõikjal esinev, kuid paljud inimesed, kes seda sõna kasutavad, näeksid vaeva, et täpselt määratleda, mis see on, mida see teeb ja milleks seda kõige parem kasutada.
See artikkel püüab selgitada masinõpet, pakkudes samas konkreetseid reaalseid näiteid selle kohta, kuidas tehnoloogia töötab, et illustreerida, miks see nii kasulik on.
Seejärel vaatleme erinevaid masinõppe metoodikaid ja vaatame, kuidas neid kasutatakse äriprobleemide lahendamiseks.
Lõpuks konsulteerime oma kristallkuuliga, et saada kiireid ennustusi masinõppe tuleviku kohta.
Mis on masinõpe?
Masinõpe on arvutiteaduse distsipliin, mis võimaldab arvutitel andmete põhjal tuletada mustreid, ilma et neile oleks selgesõnaliselt õpetatud, millised need mustrid on.
Need järeldused põhinevad sageli algoritmide kasutamisel andmete statistiliste tunnuste automaatseks hindamiseks ja matemaatiliste mudelite väljatöötamisel, et kujutada seost erinevate väärtuste vahel.
Võrrelge seda klassikalise andmetöötlusega, mis põhineb deterministlikel süsteemidel, kus me anname arvutile selgesõnaliselt reeglid, mida ta teatud ülesande täitmiseks järgima peab.
Sellist arvutite programmeerimise viisi nimetatakse reeglipõhiseks programmeerimiseks. Masinõpe erineb reeglipõhisest programmeerimisest ja ületab selle selle poolest, et suudab need reeglid ise tuletada.
Oletagem, et olete pangajuht, kes soovib kindlaks teha, kas laenutaotlus ebaõnnestub.
Reeglipõhise meetodi puhul teavitaks pangajuht (või muud spetsialistid) arvutit selgesõnaliselt, et kui taotleja krediidiskoor on alla teatud taseme, tuleb taotlus tagasi lükata.
Masinõppeprogramm aga lihtsalt analüüsiks eelnevaid andmeid klientide krediidireitingute ja laenutulemuste kohta ning määraks ise, milline see lävi peaks olema.
Masin õpib varasematest andmetest ja loob sel viisil oma reeglid. Loomulikult on see ainult masinõppe aabits; reaalmaailma masinõppe mudelid on oluliselt keerulisemad kui põhilävi.
Sellegipoolest on see suurepärane näide masinõppe potentsiaalist.
Kuidas a masin õppida?
Et asjad oleksid lihtsad, masinad „õpivad”, tuvastades võrreldavates andmetes mustreid. Pidage andmeid teabeks, mida kogute välismaailmast. Mida rohkem andmeid masinasse sisestatakse, seda targemaks see muutub.
Kõik andmed ei ole aga ühesugused. Oletagem, et olete piraat, kelle elu eesmärk on paljastada saarele maetud rikkused. Auhinna leidmiseks vajate märkimisväärsel hulgal teadmisi.
Need teadmised, nagu ka andmed, võivad teid viia õigel või valel viisil.
Mida suurem on kogutud teave/andmed, seda vähem on ebaselgust ja vastupidi. Seetõttu on ülioluline kaaluda, millist tüüpi andmeid oma masinale edastate, et õppida.
Kui aga on esitatud märkimisväärne kogus andmeid, saab arvuti teha ennustusi. Masinad suudavad tulevikku ette näha seni, kuni see minevikust palju kõrvale ei kaldu.
Masinad "õpivad", analüüsides ajaloolisi andmeid, et teha kindlaks, mis tõenäoliselt juhtuma hakkab.
Kui vanad andmed sarnanevad uute andmetega, siis see, mida saate eelmiste andmete kohta öelda, kehtivad tõenäoliselt ka uutele andmetele. Näib, nagu vaataksite tagasi, et näha ette.
Millised on masinõppe tüübid?
Masinõppe algoritmid liigitatakse sageli kolme tüüpi (kuigi kasutatakse ka muid klassifitseerimisskeeme):
- Juhendatud õppimine
- Järelevalveta õppimine
- Tugevdusõpe
Juhendatud õppimine
Järelevalvega masinõpe viitab tehnikatele, mille puhul masinõppemudelile antakse huvipakkuva koguse selgesõnaliste siltidega andmekogu (seda kogust nimetatakse sageli vastuseks või sihtmärgiks).
AI mudelite koolitamiseks kasutab pooleldi juhendatud õpe nii märgistatud kui ka märgistamata andmeid.
Kui töötate märgistamata andmetega, peate tegema mõningaid andmete märgistamist.
Märgistamine on proovide märgistamise protsess, mis aitab kaasa masinõppe treenimine mudel. Märgistamisega tegelevad peamiselt inimesed, mis võib olla kulukas ja aeganõudev. Siiski on olemas tehnikad märgistamisprotsessi automatiseerimiseks.
Laenutaotluse olukord, millest me varem rääkisime, on suurepärane näide juhendatud õppimisest. Meil olid varasemad andmed endiste laenutaotlejate krediidireitingute kohta (ja võib-olla sissetulekutaseme, vanuse ja muu kohta) ning konkreetsed sildid, mis andsid meile teada, kas kõnealune isik jättis oma laenu maksmata või mitte.
Regressioon ja klassifitseerimine on kaks juhendatud õppetehnikate alarühma.
- Klassifikatsioon – See kasutab andmete õigeks kategoriseerimiseks algoritmi. Rämpspostifiltrid on üks näide. Rämpspost võib olla subjektiivne kategooria – piir rämpsposti ja mitterämpsposti vahel on hägune – ning rämpspostifiltri algoritm täiustab end pidevalt sõltuvalt teie tagasisidest (see tähendab meili, mille inimesed märgivad rämpspostiks).
- Regressioon – See on abiks sõltuvate ja sõltumatute muutujate vahelise seose mõistmisel. Regressioonimudelid suudavad prognoosida arvväärtusi mitme andmeallika, näiteks teatud ettevõtte müügitulu hinnangute põhjal. Lineaarne regressioon, logistiline regressioon ja polünoomne regressioon on mõned silmapaistvad regressioonitehnikad.
Järelevalveta õppimine
Järelevalveta õppimisel antakse meile märgistamata andmeid ja me lihtsalt otsime mustreid. Oletame, et olete Amazon. Kas leiame klientide ostuajaloo põhjal mingeid klastreid (sarnaste tarbijate rühmi)?
Isegi kui meil puuduvad selged ja lõplikud andmed inimese eelistuste kohta, võimaldab praegusel juhul lihtsalt teadmine, et teatud hulk tarbijaid ostab võrreldavaid kaupu, teha ostusoovitusi selle põhjal, mida teised klastrisse kuuluvad isikud on samuti ostnud.
Amazoni karussell, mis võib teile ka huvi pakkuda, on varustatud sarnaste tehnoloogiatega.
Järelevalveta õppimine võib andmeid rühmitada rühmitamise või seostamise kaudu, olenevalt sellest, mida soovite rühmitada.
- Clustering – Järelevalveta õppimine püüab seda väljakutset ületada, otsides andmetest mustreid. Kui on olemas sarnane klaster või rühm, kategoriseerib algoritm need teatud viisil. Selle näiteks on klientide kategoriseerimine varasema ostuajaloo põhjal.
- Ühing – Järelevalveta õppimine püüab selle väljakutsega toime tulla, püüdes mõista erinevate rühmade aluseks olevaid reegleid ja tähendusi. Seostusprobleemi sagedane näide on seose kindlaksmääramine klientide ostude vahel. Kauplused võivad olla huvitatud teadmisest, milliseid kaupu koos osteti, ja kasutada seda teavet nende toodete paigutuse korraldamiseks, et juurdepääs oleks lihtne.
Tugevdusõpe
Tugevdusõpe on tehnika masinõppemudelite õpetamiseks, et teha interaktiivses keskkonnas mitmeid eesmärgile orienteeritud otsuseid. Ülalmainitud mängude kasutamise juhtumid on selle suurepäraseks illustratsiooniks.
Te ei pea sisestama AlphaZero tuhandeid varasemaid malemänge, millest igaühel on silt "hea" või "halb" käik. Lihtsalt õpetage talle mängureegleid ja eesmärki ning laske tal seejärel juhuslikke toiminguid proovida.
Positiivset tugevdamist saavad tegevused, mis viivad programmi eesmärgile lähemale (näiteks kindla etturi positsiooni arendamine). Kui tegudel on vastupidine mõju (nt kuninga enneaegne nihutamine), saavad need negatiivset tugevdust.
Tarkvara saab selle meetodi abil lõpuks mängu hallata.
Tugevdusõpe kasutatakse laialdaselt robootikas, et õpetada roboteid keeruliste ja raskesti projekteeritavate toimingute tegemiseks. Seda kasutatakse mõnikord koos maanteede infrastruktuuriga, näiteks fooridega, et parandada liiklusvoogu.
Mida saab masinõppega teha?
Masinõppe kasutamine ühiskonnas ja tööstuses toob kaasa edusammud paljudes inimlikes ettevõtmistes.
Meie igapäevaelus juhib masinõpe nüüd Google'i otsingu- ja pildialgoritme, võimaldades meil leida vajaliku teabe täpsemini vastavusse, kui seda vajame.
Näiteks meditsiinis rakendatakse masinõpet geneetilistele andmetele, et aidata arstidel mõista ja ennustada, kuidas vähk levib, võimaldades välja töötada tõhusamaid ravimeetodeid.
Süvakosmosest pärit andmeid kogutakse siin Maal massiivsete raadioteleskoopide kaudu – ja pärast masinõppega analüüsimist aitavad need meil lahti harutada mustade aukude saladusi.
Masinõpe jaemüügis seob ostjad asjadega, mida nad soovivad veebist osta, ning aitab ka poe töötajatel kohandada oma klientidele pakutavat teenust tavamaailmas.
Masinõpet kasutatakse võitluses terrori ja äärmusluse vastu, et ennetada nende käitumist, kes soovivad süütutele haiget teha.
Loomuliku keele töötlemine (NLP) viitab protsessile, mille käigus arvutid saavad masinõppe kaudu meid inimkeeles mõista ja nendega suhelda, ning selle tulemuseks on läbimurded tõlketehnoloogias ja hääljuhitavates seadmetes, mida me iga päev üha enam kasutame, nagu näiteks Alexa, Google dot, Siri ja Google'i assistent.
Kahtlemata näitab masinõpe, et see on transformatsioonitehnoloogia.
Robotid, mis on võimelised meiega koos töötama ning oma veatu loogika ja üliinimliku kiirusega meie originaalsust ja kujutlusvõimet turgutama, pole enam ulmefantaasia – need on saamas reaalsuseks paljudes sektorites.
Masinõppe kasutusjuhtumid
1. Küberturvalisus
Kuna võrgud on muutunud keerulisemaks, on küberturvalisuse spetsialistid väsimatult tööd teinud, et kohaneda üha laieneva turvaohtude hulgaga.
Kiiresti areneva pahavara ja häkkimistaktika vastu võitlemine on piisavalt keeruline, kuid asjade Interneti (IoT) seadmete levik on küberturbekeskkonda põhjalikult muutnud.
Rünnakud võivad tekkida igal hetkel ja igas kohas.
Õnneks on masinõppe algoritmid võimaldanud küberturvalisuse toimingutel nende kiirete arengutega sammu pidada.
Ennustav analüüs võimaldab rünnakuid kiiremini tuvastada ja leevendada, samas kui masinõpe saab analüüsida teie tegevust võrgus, et tuvastada olemasolevate turvamehhanismide kõrvalekaldeid ja nõrkusi.
2. Klienditeeninduse automatiseerimine
Üha suurema arvu veebikliendikontaktide haldamine on palju organisatsiooni pingutanud.
Neil lihtsalt ei ole piisavalt klienditeenindajaid, et toime tulla neile saadetavate päringute mahuga ja traditsioonilise lähenemisviisiga, mille käigus tellitakse küsimusi väljastpoolt. kõnekeskus on paljudele tänapäeva klientidele lihtsalt vastuvõetamatu.
Vestlusbotid ja muud automatiseeritud süsteemid suudavad nüüd neid nõudmisi rahuldada tänu masinõppetehnikate edusammudele. Ettevõtted saavad vabastada töötajaid kõrgetasemelisema klienditoe pakkumiseks, automatiseerides igapäevaseid ja madala prioriteediga tegevusi.
Õige kasutamise korral võib masinõpe aidata probleemide lahendamisel sujuvamaks muuta ja pakkuda tarbijatele sellist abistavat tuge, mis muudab nad pühendunud brändimeistriteks.
3. Side
Vigade ja väärarusaamade vältimine on kriitilise tähtsusega igat tüüpi suhtluses, kuid seda enam tänapäeva ärisuhtluses.
Lihtsad grammatilised vead, vale toon või valed tõlked võivad põhjustada mitmesuguseid raskusi meili teel suhtlemisel, klientide hinnangutel, videokonverentsidvõi tekstipõhine dokumentatsioon mitmel kujul.
Masinõppesüsteemidel on side arenenud palju kaugemale kui Microsofti Clippy uimased päevad.
Need masinõppe näited on aidanud inimestel lihtsalt ja täpselt suhelda, kasutades loomulikku keeletöötlust, reaalajas keeletõlget ja kõnetuvastust.
Kuigi paljudele inimestele ei meeldi automaatse korrigeerimise võimalused, hindavad nad ka kaitset piinlike vigade ja sobimatu tooni eest.
4. Objekti tuvastamine
Kuigi andmete kogumise ja tõlgendamise tehnoloogia on olnud kasutusel juba mõnda aega, on arvutisüsteemide õpetamine mõistma, mida nad vaatavad, osutunud petlikult keeruliseks ülesandeks.
Objektituvastusvõimalusi lisatakse masinõpperakenduste tõttu üha suuremale hulgale seadmetele.
Näiteks isejuhtiv auto tunneb seda nähes ära teise auto, isegi kui programmeerijad ei andnud sellele selle auto täpset näidet võrdluseks.
Seda tehnoloogiat kasutatakse nüüd jaemüügiettevõtetes, et kiirendada ostuprotsessi. Kaamerad tuvastavad tarbijate ostukorvis olevad tooted ja saavad nende kontodele automaatselt arve esitada, kui nad poest lahkuvad.
5. Digitaalne turundus
Suur osa tänapäeva turundusest tehakse veebis, kasutades erinevaid digitaalseid platvorme ja tarkvaraprogramme.
Kuna ettevõtted koguvad teavet oma tarbijate ja nende ostukäitumise kohta, saavad turundusmeeskonnad seda teavet kasutada, et luua oma sihtrühmast üksikasjalik pilt ja avastada, millised inimesed on rohkem valmis nende tooteid ja teenuseid otsima.
Masinõppe algoritmid aitavad turundajatel kõiki neid andmeid mõista, avastada olulisi mustreid ja atribuute, mis võimaldavad neil võimalusi täpselt kategoriseerida.
Sama tehnoloogia võimaldab suurt digitaalturunduse automatiseerimist. Reklaamisüsteeme saab seadistada, et avastada dünaamiliselt uusi potentsiaalseid tarbijaid ja pakkuda neile asjakohast turundussisu õigel ajal ja kohas.
Masinõppe tulevik
Masinõpe kogub kindlasti populaarsust, kuna üha rohkem ettevõtteid ja tohutuid organisatsioone kasutab seda tehnoloogiat konkreetsete väljakutsete lahendamiseks või innovatsiooni edendamiseks.
See jätkuv investeering näitab arusaamist, et masinõpe toob ROI-d, eriti mõne ülalnimetatud väljakujunenud ja reprodutseeritava kasutusjuhtumi kaudu.
Lõppude lõpuks, kui tehnoloogia on Netflixi, Facebooki, Amazoni, Google Mapsi ja muu jaoks piisavalt hea, aitab see tõenäoliselt ka teie ettevõttel oma andmeid maksimaalselt ära kasutada.
Nagu uus masinõpe mudeleid arendatakse ja käivitatakse, oleme tunnistajaks tööstusharudes kasutatavate rakenduste arvu kasvule.
See toimub juba koos näotuvastus, mis oli kunagi teie iPhone'i uus funktsioon, kuid nüüd rakendatakse seda paljudes programmides ja rakendustes, eriti avaliku julgeolekuga seotud programmides.
Enamiku masinõppega algust püüdvate organisatsioonide võti on vaadata mööda eredatest futuristlikest visioonidest ja avastada tõelisi äriprobleeme, mille lahendamisel tehnoloogia teid aidata saab.
Järeldus
Postindustrialiseerunud ajastul on teadlased ja spetsialistid püüdnud luua arvutit, mis käituks rohkem nagu inimesed.
Mõtlemismasin on tehisintellekti kõige olulisem panus inimkonda; selle iseliikuva masina fenomenaalne tulek on kiiresti muutnud ettevõtte tööeeskirju.
Isejuhtivad sõidukid, automatiseeritud assistendid, autonoomsed tootmistöötajad ja targad linnad on viimasel ajal näidanud nutikate masinate elujõulisust. Masinõppe revolutsioon ja masinõppe tulevik on meiega pikka aega.
Jäta vastus