Pregled sadržaja[Sakriti][Pokazati]
Sada možemo izračunati prostranstvo prostora i sitne zamršenosti subatomskih čestica zahvaljujući računalima.
Računala pobjeđuju ljude kada je riječ o brojanju i računanju, kao i praćenju logičnih procesa da/ne, zahvaljujući elektronima koji putuju brzinom svjetlosti preko svojih sklopova.
Međutim, ne vidimo ih često kao “inteligentne” budući da u prošlosti računala nisu mogla ništa izvesti bez podučavanja (programiranja) od strane ljudi.
Strojno učenje, uključujući duboko učenje i umjetna inteligencija, postala je popularna riječ u znanstvenim i tehnološkim naslovima.
Čini se da je strojno učenje sveprisutno, ali mnogi ljudi koji koriste tu riječ teško bi definirali što je to, što radi i za što se najbolje koristi.
Ovaj članak nastoji razjasniti strojno učenje, a istovremeno pruža konkretne primjere iz stvarnog svijeta o tome kako tehnologija funkcionira kako bi ilustrirala zašto je toliko korisna.
Zatim ćemo pogledati različite metodologije strojnog učenja i vidjeti kako se koriste za rješavanje poslovnih izazova.
Na kraju ćemo konzultirati našu kristalnu kuglu za neka brza predviđanja o budućnosti strojnog učenja.
Što je strojno učenje?
Strojno učenje je disciplina računalne znanosti koja omogućuje računalima da zaključuju obrasce iz podataka bez eksplicitnog podučavanja koji su to obrasci.
Ovi se zaključci često temelje na korištenju algoritama za automatsku procjenu statističkih značajki podataka i razvoju matematičkih modela za prikaz odnosa između različitih vrijednosti.
Usporedite to s klasičnim računalstvom, koje se temelji na determinističkim sustavima, u kojima računalu izričito dajemo skup pravila koja treba slijediti kako bi izvršilo određeni zadatak.
Ovaj način programiranja računala poznat je kao programiranje temeljeno na pravilima. Strojno učenje razlikuje se i nadmašuje programiranje temeljeno na pravilima po tome što može samostalno zaključiti ta pravila.
Pretpostavimo da ste upravitelj banke koji želi utvrditi hoće li zahtjev za kredit propasti za njihov zajam.
U metodi koja se temelji na pravilima, upravitelj banke (ili drugi stručnjaci) izričito bi obavijestio računalo da ako je kreditni rezultat podnositelja zahtjeva ispod određene razine, zahtjev treba odbiti.
Međutim, program strojnog učenja jednostavno bi analizirao prethodne podatke o kreditnom rejtingu klijenata i rezultatima zajma i sam odredio koliki bi taj prag trebao biti.
Stroj uči iz prethodnih podataka i na taj način stvara vlastita pravila. Naravno, ovo je samo početnica o strojnom učenju; modeli strojnog učenja u stvarnom svijetu znatno su kompliciraniji od osnovnog praga.
Ipak, to je izvrsna demonstracija potencijala strojnog učenja.
Kako a uređaj naučiti?
Kako bi stvari bile jednostavne, strojevi "uče" otkrivajući uzorke u usporedivim podacima. Podatke smatrajte informacijama koje prikupljate iz vanjskog svijeta. Što više podataka unese stroj, to postaje "pametniji".
Međutim, nisu svi podaci isti. Pretpostavimo da ste gusar sa životnom svrhom da otkrije zakopano bogatstvo na otoku. Trebat ćete znatnu količinu znanja da biste locirali nagradu.
Ovo znanje, poput podataka, može vas odvesti na ispravan ili pogrešan način.
Što je više informacija/podataka prikupljenih, to je manje nejasnoća, i obrnuto. Kao rezultat toga, ključno je uzeti u obzir vrstu podataka na koje unosite svoj stroj za učenje.
Međutim, nakon što se dostavi znatna količina podataka, računalo može napraviti predviđanja. Strojevi mogu anticipirati budućnost sve dok ne odstupa puno od prošlosti.
Strojevi "uče" analizirajući povijesne podatke kako bi odredili što će se vjerojatno dogoditi.
Ako stari podaci nalikuju novim podacima, stvari koje možete reći o prethodnim podacima vjerojatno će se primijeniti na nove podatke. Kao da gledate unatrag da biste vidjeli naprijed.
Koje su vrste strojnog učenja?
Algoritmi za strojno učenje često se klasificiraju u tri široka tipa (iako se koriste i druge sheme klasifikacije):
- Nadzirano učenje
- Učenje bez nadzora
- Ojačavanje učenja
Nadzirano učenje
Nadzirano strojno učenje odnosi se na tehnike u kojima se modelu strojnog učenja daje zbirka podataka s eksplicitnim oznakama za količinu od interesa (ova se količina često naziva odgovorom ili ciljem).
Za obuku AI modela, polunadzirano učenje koristi mješavinu označenih i neobilježenih podataka.
Ako radite s neoznačenim podacima, morat ćete poduzeti neke oznake podataka.
Označavanje je postupak označavanja uzoraka za pomoć u obuka strojnog učenja model. Označavanje uglavnom obavljaju ljudi, što može biti skupo i dugotrajno. Međutim, postoje tehnike za automatizaciju procesa označavanja.
Situacija zahtjeva za kredit o kojoj smo prije raspravljali izvrsna je ilustracija učenja pod nadzorom. Imali smo povijesne podatke o kreditnom rejtingu bivših tražitelja kredita (i možda razinama prihoda, dobi i tako dalje), kao i specifične oznake koje su nam govorile je li dotična osoba kasnila s otplatom zajma.
Regresija i klasifikacija dva su podskupa tehnika nadziranog učenja.
- Klasifikacija – Koristi se algoritam za ispravnu kategorizaciju podataka. Filtri za neželjenu poštu su jedan primjer. “Neželjena pošta” može biti subjektivna kategorija – granica između neželjene pošte i komunikacije koja nije neželjena je nejasna – a algoritam filtera neželjene pošte neprestano se usavršava ovisno o vašim povratnim informacijama (što znači e-poštu koju ljudi označavaju kao neželjenu poštu).
- Regresija – Pomaže u razumijevanju veze između zavisnih i nezavisnih varijabli. Regresijski modeli mogu predvidjeti numeričke vrijednosti na temelju nekoliko izvora podataka, kao što su procjene prihoda od prodaje za određenu tvrtku. Linearna regresija, logistička regresija i polinomska regresija neke su istaknute tehnike regresije.
Učenje bez nadzora
U nenadziranom učenju dobivamo neoznačene podatke i samo tražimo obrasce. Pretvarajmo se da ste Amazon. Možemo li pronaći neke klastere (skupine sličnih potrošača) na temelju povijesti kupnje klijenata?
Čak iako nemamo eksplicitne, uvjerljive podatke o preferencijama neke osobe, u ovom slučaju jednostavno saznanje da određeni skup potrošača kupuje usporedivu robu omogućuje nam da damo prijedloge za kupnju na temelju onoga što su drugi pojedinci u grupi također kupili.
Amazonov vrtuljak „možda bi vas također zanimao“ pokreće slične tehnologije.
Učenje bez nadzora može grupirati podatke kroz grupiranje ili povezivanje, ovisno o tome što želite grupirati.
- grupiranje – Učenje bez nadzora pokušava prevladati ovaj izazov traženjem obrazaca u podacima. Ako postoji sličan klaster ili grupa, algoritam će ih kategorizirati na određeni način. Pokušaj kategorizacije klijenata na temelju prethodne povijesti kupnje primjer je toga.
- Udruženje – Učenje bez nadzora pokušava se uhvatiti u koštac s ovim izazovom pokušavajući shvatiti pravila i značenja koja su u osnovi različitih skupina. Čest primjer problema povezivanja je određivanje veze između kupnji kupaca. Trgovine mogu biti zainteresirane da saznaju koja je roba kupljena zajedno i mogu koristiti te informacije da organiziraju pozicioniranje tih proizvoda radi lakšeg pristupa.
Učenje ojačanja
Učenje s pojačanjem je tehnika za podučavanje modela strojnog učenja za donošenje niza odluka usmjerenih na ciljeve u interaktivnom okruženju. Gore spomenuti slučajevi korištenja igara izvrsne su ilustracije toga.
Ne morate unositi AlphaZero tisuće prethodnih šahovskih partija, svaka s oznakom "dobar" ili "loš". Jednostavno ga naučite pravilima igre i cilju, a zatim ga pustite da isproba nasumične radnje.
Pozitivno pojačanje se daje aktivnostima koje program približavaju cilju (kao što je razvoj solidne pozicije pješaka). Kada djela imaju suprotan učinak (kao što je prerano prebacivanje kralja), zarađuju negativno pojačanje.
Softver u konačnici može svladati igru pomoću ove metode.
Ojačavanje učenja naširoko se koristi u robotici za učenje robota kompliciranim radnjama koje je teško izraditi. Ponekad se koristi u kombinaciji s cestovnom infrastrukturom, poput prometne signalizacije, kako bi se poboljšao protok prometa.
Što se može učiniti strojnim učenjem?
Upotreba strojnog učenja u društvu i industriji rezultira napretkom u širokom rasponu ljudskih pothvata.
U našem svakodnevnom životu, strojno učenje sada kontrolira Googleove algoritme pretraživanja i slika, omogućujući nam točnije uparivanje s informacijama koje su nam potrebne kada su nam potrebne.
U medicini se, na primjer, strojno učenje primjenjuje na genetske podatke kako bi se pomoglo liječnicima razumjeti i predvidjeti kako se rak širi, što omogućuje razvoj učinkovitijih terapija.
Podaci iz dubokog svemira prikupljaju se ovdje na Zemlji putem masivnih radioteleskopa – a nakon što su analizirani strojnim učenjem, pomažu nam razotkriti misterije crnih rupa.
Strojno učenje u maloprodaji povezuje kupce sa stvarima koje žele kupiti online, a također pomaže zaposlenicima trgovine da prilagode uslugu koju pružaju svojim klijentima u običnom svijetu.
Strojno učenje koristi se u borbi protiv terora i ekstremizma kako bi se predvidjelo ponašanje onih koji žele povrijediti nevine.
Obrada prirodnog jezika (NLP) odnosi se na proces dopuštanja računalima da razumiju i komuniciraju s nama na ljudskom jeziku putem strojnog učenja, a rezultirala je napretkom u tehnologiji prevođenja, kao i uređajima upravljanim glasom koje svakodnevno koristimo, kao što su npr. Alexa, Google točka, Siri i Google asistent.
Bez sumnje, strojno učenje pokazuje da je to transformacijska tehnologija.
Roboti koji su sposobni raditi zajedno s nama i svojom besprijekornom logikom i nadljudskom brzinom jačati našu vlastitu originalnost i maštu više nisu znanstvenofantastična fantazija – postaju stvarnost u mnogim sektorima.
Slučajevi korištenja strojnog učenja
1. Kibernetička sigurnost
Kako su mreže postajale sve kompliciranije, stručnjaci za kibernetičku sigurnost neumorno su radili na prilagodbi na sve širi raspon sigurnosnih prijetnji.
Suprotstavljanje brzom razvoju zlonamjernog softvera i taktika hakiranja dovoljno je izazovno, ali je proliferacija Internet of Things (IoT) uređaja iz temelja transformirala okruženje kibernetičke sigurnosti.
Napadi se mogu dogoditi u bilo kojem trenutku i na bilo kojem mjestu.
Srećom, algoritmi strojnog učenja omogućili su operacijama kibernetičke sigurnosti da idu u korak s ovim brzim razvojem.
Prediktivna analitika omogućuju brže otkrivanje i ublažavanje napada, dok strojno učenje može analizirati vašu aktivnost unutar mreže kako bi otkrilo abnormalnosti i slabosti u postojećim sigurnosnim mehanizmima.
2. Automatizacija korisničke službe
Upravljanje sve većim brojem mrežnih kontakata s klijentima napreglo je mnogo organizacije.
Oni jednostavno nemaju dovoljno osoblja za korisničku podršku kako bi odgovorili na količinu upita koje primaju, a tradicionalni pristup vanjskih poslova kontakt centar jednostavno je neprihvatljivo za mnoge današnje klijente.
Chatboti i drugi automatizirani sustavi sada mogu odgovoriti na ove zahtjeve zahvaljujući napretku u tehnikama strojnog učenja. Tvrtke mogu osloboditi osoblje za poduzimanje više podrške korisnicima na visokoj razini automatizacijom svakodnevnih aktivnosti niskog prioriteta.
Kada se koristi ispravno, strojno učenje u poslovanju može pomoći u pojednostavljivanju rješavanja problema i pružiti potrošačima vrstu korisne podrške koja ih pretvara u predane prvake robne marke.
3. Komunikacija
Izbjegavanje pogrešaka i zabluda ključno je u svakoj vrsti komunikacije, ali još više u današnjoj poslovnoj komunikaciji.
Jednostavne gramatičke pogreške, netočan ton ili pogrešni prijevodi mogu uzrokovati niz poteškoća u kontaktu e-poštom, procjenama kupaca, video konferencija, ili tekstualnu dokumentaciju u mnogim oblicima.
Sustavi strojnog učenja unaprijedili su komunikaciju daleko izvan Microsoftovih opojna dana.
Ovi primjeri strojnog učenja pomogli su pojedincima da komuniciraju jednostavno i precizno korištenjem obrade prirodnog jezika, prevođenja jezika u stvarnom vremenu i prepoznavanja govora.
Iako mnogi pojedinci ne vole mogućnosti automatskog ispravljanja, također cijene zaštitu od neugodnih pogrešaka i neprikladnog tona.
4. Prepoznavanje objekata
Iako tehnologija za prikupljanje i tumačenje podataka postoji već neko vrijeme, pokazalo se da je podučavanje računalnih sustava da razumiju ono što gledaju varljivo težak zadatak.
Mogućnosti prepoznavanja objekata dodaju se sve većem broju uređaja zbog aplikacija strojnog učenja.
Samovozeći automobil, na primjer, prepoznaje drugi automobil kada ga vidi, čak i ako mu programeri nisu dali točan primjer tog automobila za korištenje kao referencu.
Ova se tehnologija sada koristi u maloprodajnim poduzećima kako bi se ubrzao proces naplate. Kamere identificiraju proizvode u košaricama potrošača i mogu automatski naplatiti njihove račune kada napuste trgovinu.
5. Digitalni marketing
Veći dio današnjeg marketinga obavlja se online, koristeći niz digitalnih platformi i softverskih programa.
Dok tvrtke prikupljaju informacije o svojim potrošačima i njihovom kupovnom ponašanju, marketinški timovi mogu koristiti te informacije kako bi izgradili detaljnu sliku svoje ciljne publike i otkrili koji su ljudi skloniji traženju njihovih proizvoda i usluga.
Algoritmi strojnog učenja pomažu marketinškim stručnjacima da osmisle sve te podatke, otkriju značajne obrasce i atribute koji im omogućuju da usko kategoriziraju mogućnosti.
Ista tehnologija omogućuje veliku automatizaciju digitalnog marketinga. Oglasni sustavi mogu se postaviti tako da dinamično otkrivaju nove potencijalne potrošače i pružaju im relevantan marketinški sadržaj u pravo vrijeme i na odgovarajućem mjestu.
Budućnost strojnog učenja
Strojno učenje zasigurno dobiva na popularnosti jer sve više tvrtki i velikih organizacija koristi tehnologiju za rješavanje specifičnih izazova ili pokretanje inovacija.
Ovo kontinuirano ulaganje pokazuje razumijevanje da strojno učenje proizvodi ROI, posebno kroz neke od gore navedenih utvrđenih i ponovljivih slučajeva upotrebe.
Uostalom, ako je tehnologija dovoljno dobra za Netflix, Facebook, Amazon, Google Maps i tako dalje, velike su šanse da može pomoći i vašoj tvrtki da iskoristi svoje podatke.
Kao nov stroj za učenje budu razvijeni i lansirani modeli, svjedočit ćemo povećanju broja aplikacija koje će se koristiti u različitim industrijama.
To se već događa sa prepoznavanje lica, koja je nekoć bila nova funkcija na vašem iPhoneu, ali se sada implementira u širok raspon programa i aplikacija, posebno onih povezanih s javnom sigurnošću.
Ključ za većinu organizacija koje pokušavaju započeti s strojnim učenjem je promotriti svijetle futurističke vizije i otkriti stvarne poslovne izazove s kojima vam tehnologija može pomoći.
Zaključak
U postindustrijaliziranom dobu, znanstvenici i profesionalci pokušavaju stvoriti računalo koje se ponaša više kao ljudi.
Stroj za razmišljanje najznačajniji je doprinos umjetne inteligencije čovječanstvu; Fenomenalan dolazak ovog samohodnog stroja brzo je promijenio korporativne operativne propise.
Samovozeća vozila, automatizirani pomoćnici, zaposlenici u autonomnoj proizvodnji i pametni gradovi u posljednje su vrijeme pokazali održivost pametnih strojeva. Revolucija strojnog učenja i budućnost strojnog učenja bit će s nama još dugo.
Ostavi odgovor