Edukien aurkibidea[Ezkutatu][Erakutsi]
Orain, ordenagailuei esker, espazioaren hedadura eta partikula azpiatomikoen konplexutasun txikiak kalkula ditzakegu.
Ordenagailuek gizakiak gainditzen dituzte zenbatzean eta kalkulatzeko orduan, baita bai/ez prozesu logikoei jarraiki ere, bere zirkuitu bidez argiaren abiaduran bidaiatzen duten elektroiei esker.
Hala ere, askotan ez ditugu "adimentsuak" ikusten, izan ere, iraganean ordenagailuek ezin zuten ezer egin gizakiek irakatsi (programatu) gabe.
Ikaskuntza automatikoa, ikaskuntza sakona barne eta adimen artifizialeko, zientifiko eta teknologikoko goiburuetan moda-hitz bihurtu da.
Ikaskuntza automatikoa nonahikoa dela dirudi, baina hitza erabiltzen duen jende askok kostatuko litzaioke behar bezala definitzea zer den, zer egiten duen eta zertarako erabiltzen den onena.
Artikulu honek ikaskuntza automatikoa argitu nahi du, teknologiak nola funtzionatzen duen erakusten duen mundu errealeko adibide zehatzak eta horren onuragarria zergatik den azaltzeko.
Ondoren, ikaskuntza automatikoko hainbat metodologia aztertuko ditugu eta negozioen erronkei aurre egiteko nola erabiltzen ari diren ikusiko dugu.
Azkenik, gure kristalezko bola kontsultatuko dugu ikaskuntza automatikoaren etorkizunari buruzko iragarpen azkar batzuk lortzeko.
Zer da Machine Learning?
Machine learning informatikaren diziplina bat da, ordenagailuei datuetatik ereduak ondorioztatzeko aukera ematen diena, eredu horiek zein diren esplizituki irakatsi gabe.
Ondorio hauek datuen ezaugarri estatistikoak automatikoki ebaluatzeko algoritmoak erabiltzean eta hainbat balioren arteko erlazioa irudikatzeko eredu matematikoak garatzean oinarritzen dira.
Konparatu hau konputazio klasikoarekin, sistema deterministetan oinarritzen dena, zeinetan esplizituki ordenagailuari zeregin jakin bat egiteko bete beharreko arau multzo bat ematen diogula.
Ordenagailuak programatzeko modu honi arauetan oinarritutako programazioa deritzo. Ikaskuntza automatikoa arauetan oinarritutako programazioarengandik desberdina da eta gainditzen du, arau horiek bere kabuz ondoriozta ditzakeelako.
Demagun banku-kudeatzailea zarela, mailegu-eskaerak bere maileguak huts egingo duen ala ez zehaztu nahi duena.
Arauetan oinarritutako metodo batean, bankuko kudeatzaileak (edo beste espezialista batzuek) espresuki jakinaraziko lioke ordenagailuari eskatzailearen kreditu-puntuazioa maila jakin baten azpitik badago, eskaera baztertu behar dela.
Hala ere, ikaskuntza automatikoko programa batek bezeroen kreditu-kalifikazioei eta mailegu-emaitzen aldez aurretiko datuak aztertuko lituzke eta atalase hori bere kabuz zein izan behar den zehaztuko luke.
Makinak aurreko datuetatik ikasten du eta bere arauak sortzen ditu horrela. Jakina, hau ikaskuntza automatikoari buruzko abiapuntua baino ez da; mundu errealeko ikaskuntza automatikoko ereduak oinarrizko atalasea baino nabarmen konplexuagoak dira.
Hala ere, ikaskuntza automatikoaren potentzialaren erakusgarri bikaina da.
Nola egiten du a makina ikasi?
Gauza sinpleak mantentzeko, makinek datu konparagarrietan ereduak detektatuz "ikasten" dira. Demagun datuak kanpotik biltzen dituzun informazioa direla. Zenbat eta datu gehiago elikatu makina bat, orduan eta "adimentsuagoa" bihurtzen da.
Hala ere, datu guztiak ez dira berdinak. Demagun pirata bat zarela uhartean lurperatutako aberastasunak ezagutzera emateko bizitzako helburua duena. Saria kokatzeko ezagutza kopuru handia nahi izango duzu.
Ezagutza horrek, datuek bezala, modu egokian edo okerra eraman dezakete.
Lortutako informazioa/datuak zenbat eta handiagoak izan, orduan eta anbiguotasun gutxiago dago, eta alderantziz. Ondorioz, funtsezkoa da zure makina elikatzen ari zaren datu motak ikasteko.
Hala ere, datu kopuru handia eman ondoren, ordenagailuak iragarpenak egin ditzake. Makinek etorkizuna aurreikus dezakete iraganetik asko aldentzen ez den bitartean.
Makinek "ikasten" dute datu historikoak aztertuz, gerta daitekeena zehazteko.
Datu zaharrak datu berrien antza badute, litekeena da aurreko datuei buruz esan ditzakezun gauzak datu berriei aplikatzea. Aurrera ikusteko atzera begiratzen ari bazara bezala da.
Zeintzuk dira ikaskuntza automatiko motak?
Ikaskuntza automatikorako algoritmoak hiru mota handitan sailkatzen dira maiz (nahiz eta beste sailkapen-eskema batzuk ere erabiltzen diren):
- Ikasketa gainbegiratua
- Ikasketarik gabekoa
- Errefortzuaren ikaskuntza
Ikasketa gainbegiratua
Ikaskuntza automatiko gainbegiratua ikaskuntza automatikoaren ereduari interes-kantitatearen etiketa esplizituekin datu-bilduma bat ematen dioten teknikei dagokie (kantitate horri erantzuna edo xedea deitzen zaio askotan).
AI ereduak trebatzeko, erdi-gainbegiratutako ikaskuntzak etiketatutako eta etiketarik gabeko datuen nahasketa bat erabiltzen du.
Etiketarik gabeko datuekin lanean ari bazara, datuen etiketatze batzuk egin beharko dituzu.
Etiketatzea laginak etiketatzeko prozesua da laguntzeko ikaskuntza automatikoa trebatzea eredua. Etiketatzea pertsonek egiten dute batez ere, eta hori garestia eta denbora eskatzen du. Hala ere, badaude etiketatze prozesua automatizatzeko teknikak.
Lehen aipatu dugun mailegu eskaeraren egoera gainbegiraturiko ikaskuntzaren ilustrazio bikaina da. Mailegu-eskatzaile ohien kreditu-kalifikazioei buruzko datu historikoak genituen (eta beharbada diru-sarreren maila, adina, eta abar), bai eta etiketa zehatzak ere, kasuan kasuko pertsonak bere mailegua ordaintzen ez zuen ala ez esaten ziguten.
Erregresioa eta sailkapena gainbegiraturiko ikaskuntza tekniken bi azpimultzo dira.
- Sailkapena – Algoritmo bat erabiltzen du datuak behar bezala sailkatzeko. Spam iragazkiak adibide bat dira. "Spam" kategoria subjektiboa izan daiteke —spam eta ez diren komunikazioen arteko muga lausoa da— eta spam iragazteko algoritmoa etengabe hobetzen ari da zure iritziaren arabera (esan nahi du gizakiek spam gisa markatzen duten mezu elektronikoa).
- Erregresioa – Aldagai menpeko eta independenteen arteko lotura ulertzeko lagungarria da. Erregresio-ereduek zenbakizko balioak aurreikus ditzakete hainbat datu-iturritan oinarrituta, hala nola enpresa jakin baterako salmenten diru-sarreren estimazioak. Erregresio lineala, erregresio logistikoa eta erregresio polinomiala erregresio teknika nabarmenak dira.
Ikasketarik gabekoa
Gainbegiratu gabeko ikaskuntzan, etiketarik gabeko datuak ematen zaizkigu eta ereduak bilatzen ari gara. Egin dezagun Amazon zarela. Aurki al dezakegu klusterren bat (antzeko kontsumitzaileen talde) bezeroen erosketa historian oinarrituta?
Nahiz eta pertsona baten lehentasunei buruzko datu zehatz eta zehatzik ez izan, kasu honetan, kontsumitzaile multzo zehatz batek konparagarriak diren ondasunak erosten dituela jakiteak aukera ematen digu klusterreko beste pertsona batzuek ere erosi dutenaren arabera erosketa-iradokizunak egiteko.
Amazon-en "zertan ere interesatuko zaizu" karusela antzeko teknologiek elikatzen dute.
Gainbegiratu gabeko ikaskuntzak datuak multzokatu edo elkartuz taldeka ditzake, taldekatu nahi duzunaren arabera.
- Clustering – Gainbegiratu gabeko ikaskuntza erronka hori gainditzen saiatzen da datuetan ereduak bilatuz. Antzeko kluster edo talde bat badago, algoritmoak modu jakin batean sailkatuko ditu. Bezeroak aurreko erosketen historian oinarrituta sailkatzen saiatzea horren adibide da.
- Elkartea – Gainbegiratu gabeko ikaskuntza erronka honi aurre egiten saiatzen da, hainbat talderen azpian dauden arauak eta esanahiak ulertzen saiatuz. Elkarte-arazo baten maiz adibide bat bezeroen erosketen arteko lotura zehaztea da. Dendak elkarrekin zer ondasun erosi diren jakiteko interesa izan dezakete eta informazio hori erabil dezakete produktu horien kokapena antolatzeko, erraz sartzeko.
Sendotze-ikaskuntza
Indartze-ikaskuntza makina-ikaskuntza-ereduak irakasteko teknika bat da, helburuetara bideratutako erabaki batzuk hartzeko ingurune interaktibo batean. Goian aipatutako jokoen erabilera kasuak horren ilustrazio bikainak dira.
Ez duzu AlphaZeroren aurreko milaka xake-joko sartu beharrik, bakoitza mugimendu "ona" edo "txarra" etiketatuta. Besterik gabe, irakatsi jokoaren arauak eta helburua, eta utzi ausazko ekintzak probatzen.
Programa helburura hurbiltzen duten jarduerei (esaterako, peoi posizio sendoa garatzea) errefortzu positiboa ematen zaie. Ekintzek kontrako efektua dutenean (adibidez, erregea goiz aldatuz gero), errefortzu negatiboa lortzen dute.
Softwareak, azken finean, jokoa menderatu dezake metodo hau erabiliz.
Errefortzuaren ikaskuntza oso erabilia da robotikan ekintza konplikatuak eta ingeniaritza zailak egiten dituzten robotei irakasteko. Batzuetan bide-azpiegiturekin batera erabiltzen da, hala nola trafiko-seinaleak, trafiko-fluxua hobetzeko.
Zer egin daiteke ikasketa automatikoarekin?
Gizartean eta industrian ikaskuntza automatikoa erabiltzeak aurrerapena ematen ari da giza ahalegin ugaritan.
Gure eguneroko bizitzan, ikaskuntza automatikoak Google-ren bilaketa- eta irudi-algoritmoak kontrolatzen ditu orain, behar dugunean behar dugun informazioarekin zehaztasun handiagoz lotzen gaituzte.
Medikuntzan, adibidez, ikasketa automatikoa datu genetikoetan aplikatzen ari da medikuei minbizia nola hedatzen den ulertzen eta aurreikusten laguntzeko, terapia eraginkorragoak garatzeko.
Espazio sakoneko datuak irrati-teleskopio masiboen bidez biltzen ari dira hemen Lurrean, eta ikaskuntza automatikoarekin aztertu ondoren, zulo beltzen misterioak argitzen laguntzen ari gara.
Merkataritza txikizkako ikaskuntza automatikoa erosleak sarean erosi nahi dituzten gauzekin lotzen ditu, eta dendako langileei ere laguntzen die bezeroei adreiluzko munduan eskaintzen dieten zerbitzua egokitzen.
Ikaskuntza automatikoa izuaren eta muturreko borrokan erabiltzen da errugabea mindu nahi dutenen jokabidea aurreikusteko.
Lengoaia naturalaren prozesamenduak (NLP) makina-ikaskuntzaren bidez ordenagailuei giza hizkuntzan gurekin ulertzeko eta komunikatzeko aukera emateko prozesuari egiten dio erreferentzia, eta itzulpen teknologian aurrerapenak ekarri ditu, baita egunero gero eta gehiago erabiltzen ditugun ahots bidez kontrolatutako gailuetan ere, adibidez. Alexa, Google dot, Siri eta Google laguntzailea.
Zalantzarik gabe, ikaskuntza automatikoa teknologia eraldatzailea dela erakusten ari da.
Gure ondoan lan egiteko eta beren logika akatsik gabeko eta giza gaindiko abiadurarekin gure originaltasuna eta irudimena sustatzeko gai diren robotak jada ez dira zientzia-fikziozko fantasia bat, sektore askotan errealitate bihurtzen ari dira.
Machine Learning erabilera kasuak
1. Zibersegurtasuna
Sareak konplikatu egin diren heinean, zibersegurtasuneko espezialistek etengabe lan egin dute segurtasun mehatxuen sorta gero eta zabalagora egokitzeko.
Azkar eboluzionatzen ari diren malwareari eta hacking taktikei aurre egitea nahikoa erronka da, baina Gauzen Interneteko (IoT) gailuen ugaritzeak funtsean eraldatu du zibersegurtasun ingurunea.
Erasoak edozein unetan eta edozein lekutan gerta daitezke.
Zorionez, ikaskuntza automatikoko algoritmoek zibersegurtasuneko eragiketak garapen bizkor hauekin jarraitzeko aukera eman dute.
Iragarpen analitikoak Erasoak arintzea eta detektatu eta arintzea ahalbidetu, eta, berriz, ikaskuntza automatikoak sare baten barruan zure jarduera azter dezake lehendik dauden segurtasun mekanismoen anomaliak eta ahuleziak detektatzeko.
2. Bezeroarentzako arretaren automatizazioa
Lineako bezeroen kontaktu gero eta gehiago kudeatzeak antolakuntza asko estutu du.
Besterik gabe, ez dute bezeroarentzako arreta-zerbitzuko langile nahikorik jasotzen ari diren kontsulten bolumena kudeatzeko, eta azpikontratazio-gaien ikuspegi tradizionala. harremanetarako gunea onartezina da gaur egungo bezero askorentzat.
Chatbot-ek eta beste sistema automatizatu batzuek eskari horiei erantzun diezaiekete orain ikaskuntza automatikoko tekniken aurrerapenei esker. Enpresek langileak askatu ditzakete goi mailako bezeroei arreta emateko, eguneroko eta lehentasun baxuko jarduerak automatizatuz.
Behar bezala erabiltzen denean, negozioetan ikaskuntza automatikoa arazoen ebazpena errazten lagun dezake eta kontsumitzaileei marka konprometitu txapeldun bilakatzen dituen laguntza lagungarria eskaintzen die.
3. Komunikazioa
Akatsak eta uste okerrak saihestea funtsezkoa da edozein komunikazio motatan, baina are gehiago gaur egungo enpresa-komunikazioetan.
Gramatika-akats sinpleek, tonu okerrek edo itzulpen okerrek hainbat zailtasun sor ditzakete posta elektronikoko kontaktuan, bezeroen ebaluazioan, Bideo konferentziak, edo testuan oinarritutako dokumentazioa forma askotan.
Ikaskuntza automatikoko sistemek komunikazioa aurreratu dute Microsoft-en Clippyren egun burutsuetatik haratago.
Ikaskuntza automatikoko adibide hauek gizabanakoak modu sinplean eta zehatzean komunikatzen lagundu dute, hizkuntza naturalaren prozesamendua, denbora errealeko hizkuntzen itzulpena eta hizketa-ezagutza erabiliz.
Pertsona askok autozuzenketa gaitasunik ez duten arren, akats lotsagarrietatik eta tonu desegokietatik babestuta egotea ere baloratzen dute.
4. Objektuen aitorpena
Datuak biltzeko eta interpretatzeko teknologia denbora luzez existitzen den arren, ordenagailu-sistemei begiratzen ari direna ulertzen irakastea zeregin engainagarri zaila dela frogatu da.
Objektuak ezagutzeko gaitasunak gero eta gailu gehiagori gehitzen ari zaizkio ikaskuntza automatikoko aplikazioak direla eta.
Norberak gidatzen duen auto batek, adibidez, beste auto bat ikusten duenean ezagutzen du, nahiz eta programatzaileek auto horren adibide zehatzik eman ez erreferentzia gisa erabiltzeko.
Teknologia hau txikizkako negozioetan erabiltzen ari da ordainketa-prozesua bizkortzen laguntzeko. Kamerek kontsumitzaileen gurdietan produktuak identifikatzen dituzte eta automatikoki faktura ditzakete euren kontuak dendatik irtetean.
5. Marketin digitala
Gaur egungo marketinaren zati handi bat sarean egiten da, hainbat plataforma digital eta software programa erabiliz.
Enpresek kontsumitzaileei eta erosketa-jokabideei buruzko informazioa biltzen duten heinean, marketin-taldeek informazio hori erabil dezakete xede-publikoaren argazki zehatza eraikitzeko eta zeintzuk diren beren produktuak eta zerbitzuak bilatzera joera handiagoa den jakiteko.
Ikaskuntza automatikoko algoritmoek merkatariei laguntzen diete datu horiei zentzua ematen, aukerak ondo sailkatzeko aukera ematen dieten eredu eta atributu esanguratsuak aurkitzen.
Teknologia berak marketin digitalaren automatizazio handiak ahalbidetzen ditu. Iragarki-sistemak konfigura daitezke kontsumitzaile potentzial berriak modu dinamikoan ezagutzeko eta marketin-eduki garrantzitsuak une eta leku egokian eskaintzeko.
Ikaskuntza automatikoaren etorkizuna
Makina-ikaskuntza ospea lortzen ari da, zalantzarik gabe, enpresa gehiagok eta erakunde handiek teknologia erabiltzen baitute erronka zehatzei aurre egiteko edo berrikuntza sustatzeko.
Inbertsio jarraitu honek, ikaskuntza automatikoa ROI-a sortzen ari dela ulertzen duela erakusten du, batez ere, aipatutako erabilera kasu finkatu eta errepikagarri batzuen bidez.
Azken finean, teknologia Netflix, Facebook, Amazon, Google Maps eta abarrentzat nahikoa ona bada, litekeena da zure enpresak ere bere datuak aprobetxatzen laguntzea.
Berria bezala makina ikaskuntza ereduak garatu eta abian jartzen direnean, industria guztietan erabiliko diren aplikazioen kopurua handitzen joango gara.
Hau dagoeneko gertatzen ari da aurpegi aitorpena, zure iPhoneko funtzio berria zena, baina gaur egun programa eta aplikazio ugaritan inplementatzen ari da, bereziki segurtasun publikoarekin lotutakoetan.
Ikaskuntza automatikoan hasten saiatzen diren erakunde gehienen gakoa etorkizuneko ikuspegi distiratsuetatik haratago begiratu eta teknologiak lagundu diezazukeen benetako negozio-erronkak ezagutzea da.
Ondorioa
Industrializatu osteko aroan, zientzialariak eta profesionalak gizakien antzera gehiago jokatzen duen ordenagailu bat sortzen saiatu dira.
Pentsamendu-makina AI-ak gizateriaren ekarpen esanguratsuena da; makina autopropulsatu honen etorrera izugarriak azkar eraldatu du enpresaren funtzionamendu araudia.
Norberak gidatzen dituen ibilgailuek, laguntzaile automatizatuek, fabrikazio autonomoko langileek eta hiri adimendunek azkenaldian frogatu dute makina adimendunen bideragarritasuna. Ikaskuntza automatikoaren iraultza eta ikaskuntza automatikoaren etorkizuna denbora luzez egongo dira gurekin.
Utzi erantzun bat