Tartalomjegyzék[Elrejt][Előadás]
A számítógépeknek köszönhetően ma már kiszámolhatjuk a tér kiterjedését és a szubatomi részecskék apró bonyodalmait.
A számítógépek felülmúlják az embereket a számolásban és a számításban, valamint a logikai igen/nem folyamatok követésében, köszönhetően az áramkörükön keresztül fénysebességgel haladó elektronoknak.
Azonban nem gyakran látjuk őket „intelligensnek”, mivel a múltban a számítógépek semmit sem tudtak végrehajtani anélkül, hogy az emberek ne tanítanák (programozták volna).
Gépi tanulás, beleértve a mély tanulást és mesterséges intelligencia, divatszóvá vált a tudományos és technológiai szalagcímekben.
Úgy tűnik, hogy a gépi tanulás mindenütt jelen van, de sok ember, aki ezt a szót használja, nehezen tudja megfelelően meghatározni, mi az, mit csinál, és mire a legjobb használni.
Ez a cikk a gépi tanulás tisztázására törekszik, miközben konkrét, valós példákat ad a technológia működésére, hogy szemléltesse, miért olyan előnyös.
Ezután megvizsgáljuk a különböző gépi tanulási módszereket, és megnézzük, hogyan használják őket az üzleti kihívások kezelésére.
Végül megkeressük kristálygömbünket a gépi tanulás jövőjével kapcsolatos gyors előrejelzésekért.
Mi a gépi tanulás?
A gépi tanulás a számítástechnika olyan tudományága, amely lehetővé teszi a számítógépek számára, hogy az adatokból mintákra következtessenek anélkül, hogy kifejezetten megtanítanák, mik ezek a minták.
Ezek a következtetések gyakran azon alapulnak, hogy algoritmusokat alkalmaznak az adatok statisztikai jellemzőinek automatikus értékelésére, és matematikai modelleket dolgoznak ki a különböző értékek közötti kapcsolat ábrázolására.
Hasonlítsuk ezt össze a klasszikus számítástechnikával, amely determinisztikus rendszereken alapul, ahol kifejezetten megadjuk a számítógépnek egy bizonyos feladat elvégzéséhez betartandó szabályokat.
A számítógépek programozásának ezt a módját szabályalapú programozásnak nevezik. A gépi tanulás abban különbözik és felülmúlja a szabályalapú programozást, hogy önmagában is képes ezekre a szabályokra következtetni.
Tegyük fel, hogy Ön bankmenedzser, aki meg akarja állapítani, hogy a kölcsönkérelme sikertelen lesz-e.
Szabályalapú módszer esetén a bankvezető (vagy más szakember) kifejezetten tájékoztatja a számítógépet, hogy ha a kérelmező hitelpontszáma egy bizonyos szint alatt van, akkor a kérelmet el kell utasítani.
Egy gépi tanulási program azonban egyszerűen elemzi az ügyfelek hitelminősítéseire és a hiteleredményekre vonatkozó korábbi adatokat, és meghatározza, hogy mekkora legyen ez a küszöb.
A gép tanul a korábbi adatokból, és ilyen módon hozza létre a saját szabályait. Természetesen ez csak a gépi tanulás alapja; A valós gépi tanulási modellek lényegesen bonyolultabbak, mint egy alapvető küszöbérték.
Ennek ellenére kiválóan demonstrálja a gépi tanulásban rejlő lehetőségeket.
Hogyan működik a gép tanul?
Az egyszerűség érdekében a gépek „tanulnak” azáltal, hogy észlelik a mintákat az összehasonlítható adatokban. Tekintse az adatokat olyan információnak, amelyet a külvilágból gyűjt. Minél több adatot táplál be egy gép, annál „okosabb” lesz.
Azonban nem minden adat egyforma. Tegyük fel, hogy kalóz vagy, akinek életcélja a szigeten eltemetett gazdagság feltárása. A nyeremény megtalálásához jelentős mennyiségű tudásra lesz szüksége.
Ez a tudás, akárcsak az adatok, a helyes vagy rossz irányba vezethet.
Minél nagyobb a megszerzett információ/adat, annál kevesebb a kétértelműség, és fordítva. Ennek eredményeként kritikus fontosságú annak mérlegelése, hogy milyen típusú adatokat táplál a gépéhez, hogy tanulhasson.
Ha azonban jelentős mennyiségű adat rendelkezésre áll, a számítógép képes előrejelzéseket készíteni. A gépek mindaddig képesek előre látni a jövőt, amíg az nem nagyon tér el a múlttól.
A gépek a történelmi adatok elemzésével „tanulnak”, hogy meghatározzák, mi fog történni.
Ha a régi adatok hasonlítanak az új adatokra, akkor a korábbi adatokról elmondottak valószínűleg az új adatokra is vonatkoznak. Olyan, mintha hátranéznél, hogy előre láss.
Melyek a gépi tanulás típusai?
A gépi tanulás algoritmusait gyakran három nagy típusba sorolják (bár más osztályozási sémákat is használnak):
- Felügyelt tanulás
- Nem felügyelt tanulás
- Erősítő tanulás
Felügyelt tanulás
A felügyelt gépi tanulás azokra a technikákra vonatkozik, amelyekben a gépi tanulási modell adatgyűjteményt kap, kifejezett címkékkel az érdeklődésre számot tartó mennyiségre vonatkozóan (ezt a mennyiséget gyakran válasznak vagy célnak nevezik).
Az AI-modellek betanításához a félig felügyelt tanulás címkézett és címkézetlen adatok keverékét alkalmazza.
Ha címkézetlen adatokkal dolgozik, el kell végeznie néhány adatcímkézést.
A címkézés a minták címkézésének folyamata, hogy segítse a bejutást gépi tanulás képzése modell. A címkézést elsősorban emberek végzik, ami költséges és időigényes lehet. Vannak azonban technikák a címkézési folyamat automatizálására.
A korábban tárgyalt hiteligénylési helyzet kiválóan illusztrálja a felügyelt tanulást. Előzményadatokkal rendelkeztünk a korábbi hiteligénylők hitelminősítéséről (és esetleg a jövedelmi szintről, életkorról stb.), valamint konkrét címkékről, amelyek elárulták, hogy a szóban forgó személy késedelmet szenvedett-e vagy sem.
A regresszió és az osztályozás a felügyelt tanulási technikák két részhalmaza.
- Osztályozás – Algoritmust használ az adatok helyes kategorizálására. Ilyen például a spamszűrő. A „spam” szubjektív kategória lehet – elmosódott a határ a levélszemét és a nem levélszemét közötti kommunikáció között –, és a levélszemétszűrő algoritmus folyamatosan finomodik az Ön visszajelzéseitől függően (azaz az e-mailek, amelyeket az emberek spamként jelölnek meg).
- Regresszió – Segít a függő és független változók kapcsolatának megértésében. A regressziós modellek számszerű értékeket jelezhetnek előre több adatforrás alapján, például egy bizonyos vállalat árbevétel-becslése alapján. A lineáris regresszió, a logisztikus regresszió és a polinomiális regresszió néhány kiemelkedő regressziós technika.
Nem felügyelt tanulás
A felügyelet nélküli tanulás során címkézetlen adatokat kapunk, és csak mintákat keresünk. Tegyük fel, hogy Amazon vagy. Találhatunk-e klasztereket (hasonló fogyasztók csoportjait) az ügyfelek vásárlási előzményei alapján?
Még ha nem is rendelkezünk egyértelmű, meggyőző adatokkal egy személy preferenciáiról, ebben az esetben pusztán annak ismerete, hogy a fogyasztók egy meghatározott csoportja hasonló árukat vásárol, lehetővé teszi számunkra, hogy vásárlási javaslatokat tegyenek az alapján, amit a klaszterben lévő többi személy is vásárolt.
Az Amazon „az Önt is érdekelheti” körhinta hasonló technológiákkal működik.
A felügyelet nélküli tanulás csoportosíthatja az adatokat fürtözéssel vagy társítással, attól függően, hogy mit szeretne csoportosítani.
- Klaszterezés – A felügyelet nélküli tanulás megpróbálja leküzdeni ezt a kihívást úgy, hogy mintákat keres az adatokban. Ha van hasonló klaszter vagy csoport, az algoritmus meghatározott módon kategorizálja azokat. Példa erre az ügyfelek korábbi vásárlási előzményei alapján történő kategorizálása.
- Egyesület – A felügyelet nélküli tanulás megpróbálja megbirkózni ezzel a kihívással azáltal, hogy megpróbálja megérteni a különböző csoportok mögött meghúzódó szabályokat és jelentéseket. Az asszociációs probléma gyakori példája a vásárlói vásárlások közötti kapcsolat meghatározása. Az üzleteket érdekelheti, hogy megtudják, milyen árukat vásároltak együtt, és ezt az információt felhasználhatják a termékek elhelyezésének megszervezésére a könnyű hozzáférés érdekében.
Erősítő tanulás
A megerősítő tanulás egy olyan technika, amellyel a gépi tanulási modelleket tanítják, hogy célorientált döntéseket hozzanak interaktív környezetben. A fent említett játékhasználati esetek kiválóan illusztrálják ezt.
Nem kell több ezer korábbi sakkjátszmát beírnia az AlphaZero-ba, mindegyik egy „jó” vagy „rossz” lépéssel. Egyszerűen tanítsd meg neki a játékszabályokat és a célt, majd hagyd, hogy véletlenszerű cselekedeteket próbáljon ki.
Pozitív megerősítést kapnak azok a tevékenységek, amelyek közelebb viszik a programot a célhoz (például szilárd gyalog pozíció kialakítása). Ha a cselekedetek ellentétes hatást fejtenek ki (például a király idő előtti áthelyezése), akkor negatív megerősítést kapnak.
A szoftver végül ezzel a módszerrel képes elsajátítani a játékot.
Erősítő tanulás széles körben használják a robotikában, hogy megtanítsák a robotokat bonyolult és nehezen megtervezhető műveletekre. Néha az útpálya infrastruktúrájával, például a közlekedési jelzésekkel együtt használják a forgalom javítására.
Mit lehet kezdeni a gépi tanulással?
A gépi tanulás alkalmazása a társadalomban és az iparban az emberi törekvések széles skálájában halad előre.
Mindennapi életünkben a gépi tanulás irányítja a Google keresési és képalgoritmusait, lehetővé téve számunkra, hogy pontosabban megtaláljuk a szükséges információkat, amikor szükségünk van rá.
Az orvostudományban például a gépi tanulást alkalmazzák a genetikai adatokra, hogy segítsenek az orvosoknak megérteni és megjósolni, hogyan terjed a rák, ami hatékonyabb terápiák kidolgozását teszi lehetővé.
A mélyűrből származó adatokat gyűjtik itt a Földön hatalmas rádióteleszkópokon keresztül – és a gépi tanulással történő elemzésük után segítenek megfejteni a fekete lyukak titkait.
A kiskereskedelmi gépi tanulás összekapcsolja a vásárlókat az online vásárolni kívánt dolgokkal, és segít a bolti alkalmazottaknak személyre szabni az általuk nyújtott szolgáltatást ügyfeleik számára a tégla és habarcs világában.
A gépi tanulást a terror és a szélsőségesség elleni harcban alkalmazzák, hogy előre jelezzék azoknak a viselkedését, akik ártatlanokat akarnak bántani.
A természetes nyelvi feldolgozás (NLP) arra a folyamatra utal, amely lehetővé teszi a számítógépek számára, hogy a gépi tanulás révén megértsenek bennünket, és emberi nyelven kommunikáljanak velünk, és ez áttörést eredményezett a fordítási technológiában, valamint a mindennapi használatunkban egyre gyakrabban használt hangvezérlésű eszközökben, mint pl. Alexa, Google dot, Siri és Google asszisztens.
Kétségtelen, hogy a gépi tanulás bizonyítja, hogy ez egy transzformációs technológia.
Azok a robotok, amelyek képesek együtt dolgozni velünk, és hibátlan logikájukkal és emberfeletti sebességükkel fellendítik saját eredetiségünket és fantáziánkat, már nem sci-fi fantáziák – számos szektorban valósággá válnak.
A gépi tanulás használati esetei
1. Kiberbiztonság
Ahogy a hálózatok bonyolultabbá váltak, a kiberbiztonsági szakemberek fáradhatatlanul dolgoztak, hogy alkalmazkodjanak a biztonsági fenyegetések egyre bővülő skálájához.
A gyorsan fejlődő rosszindulatú programok és feltörési taktikák elleni küzdelem elég nagy kihívást jelent, de az Internet of Things (IoT) eszközök elterjedése alapvetően átalakította a kiberbiztonsági környezetet.
A támadások bármikor és bárhol előfordulhatnak.
Szerencsére a gépi tanulási algoritmusok lehetővé tették a kiberbiztonsági műveletek számára, hogy lépést tartsanak ezekkel a gyors fejlődéssel.
Prediktív elemzés lehetővé teszi a támadások gyorsabb észlelését és mérséklését, míg a gépi tanulás elemzi a hálózaton belüli tevékenységét, hogy észlelje a meglévő biztonsági mechanizmusok rendellenességeit és gyengeségeit.
2. Az ügyfélszolgálat automatizálása
Az egyre több online ügyfélkapcsolat kezelése sok szervezetet megterhelt.
Egyszerűen nincs elegendő ügyfélszolgálati személyzetük ahhoz, hogy kezelni tudják a hozzájuk érkező megkeresések mennyiségét, és a hagyományos megközelítést, hogy a kérdéseket kiszervezzék. kapcsolatközpont egyszerűen elfogadhatatlan sok mai ügyfél számára.
A gépi tanulási technikák fejlődésének köszönhetően a chatbotok és más automatizált rendszerek már képesek kielégíteni ezeket az igényeket. A vállalatok a hétköznapi és alacsony prioritású tevékenységek automatizálásával felszabadíthatják a személyzetet a magasabb szintű ügyfélszolgálat elvégzésére.
Megfelelő használat esetén a gépi tanulás az üzleti életben elősegítheti a problémamegoldás egyszerűsítését, és olyan típusú hasznos támogatást nyújthat a fogyasztóknak, amellyel elkötelezett márkabajnokokká válhatnak.
3. közlés
A hibák és tévhitek elkerülése kritikus fontosságú minden típusú kommunikációban, de még inkább a mai üzleti kommunikációban.
Az egyszerű nyelvtani hibák, a helytelen hangnem vagy a hibás fordítások számos nehézséget okozhatnak az e-mail kapcsolattartásban, az ügyfelek értékelésében, videókonferenciázás, vagy szöveges dokumentáció sokféle formában.
A gépi tanulási rendszerek továbbfejlesztették a kommunikációt a Microsoft Clippy mámorító napjain.
Ezek a gépi tanulási példák segítették az egyéneket egyszerűen és pontosan kommunikálni a természetes nyelvi feldolgozás, a valós idejű nyelvi fordítás és a beszédfelismerés segítségével.
Bár sok ember nem szereti az automatikus javítási képességeket, azt is fontosnak tartják, hogy megvédjék magukat a kínos hibáktól és a helytelen hangnemtől.
4. Tárgyfelismerés
Míg az adatok gyűjtésére és értelmezésére szolgáló technológia már egy ideje létezik, a számítógépes rendszerek megtanítása arra, hogy megértsék, mit néznek, megtévesztően nehéz feladatnak bizonyult.
A gépi tanulási alkalmazások miatt egyre több eszközhöz adják hozzá az objektumfelismerési képességeket.
Egy önvezető autó például felismer egy másik autót, ha meglát egyet, még akkor is, ha a programozók nem adtak rá egy pontos példát arra az autóra referenciaként.
Ezt a technológiát most a kiskereskedelmi vállalkozások használják a fizetési folyamat felgyorsítására. A kamerák azonosítják a fogyasztók kosarában lévő termékeket, és automatikusan kiszámlázzák a számlájukat, amikor elhagyják az üzletet.
5. Digitális marketing
Napjaink marketingjének nagy része online történik, számos digitális platform és szoftver segítségével.
Miközben a vállalkozások információkat gyűjtenek fogyasztóikról és vásárlási magatartásukról, a marketingcsapatok felhasználhatják ezeket az információkat, hogy részletes képet alkossanak célközönségükről, és felfedezzék, mely emberek hajlamosabbak termékeiket és szolgáltatásaikat keresni.
A gépi tanulási algoritmusok segítenek a marketingeseknek abban, hogy megértsék az összes adatot, és olyan jelentős mintákat és attribútumokat fedezzenek fel, amelyek lehetővé teszik számukra a lehetőségek szigorú kategorizálását.
Ugyanez a technológia nagy digitális marketing automatizálást tesz lehetővé. Reklámrendszerek beállíthatók, hogy dinamikusan fedezzék fel az új leendő fogyasztókat, és megfelelő időben és helyen nyújtsanak számukra releváns marketing tartalmat.
A gépi tanulás jövője
A gépi tanulás minden bizonnyal egyre népszerűbb, ahogy egyre több vállalkozás és hatalmas szervezet használja a technológiát konkrét kihívások kezelésére vagy az innováció előmozdítására.
Ez a folyamatos beruházás bizonyítja annak megértését, hogy a gépi tanulás megtérülést eredményez, különösen a fent említett bevált és reprodukálható használati esetek némelyikén keresztül.
Végül is, ha a technológia elég jó a Netflix, a Facebook, az Amazon, a Google Maps és így tovább, akkor nagy eséllyel segíthet a vállalatának is a legtöbbet kihozni adataiból.
Mint új gépi tanulás modellek fejlesztése és bevezetése, tanúi leszünk az iparágakban használt alkalmazások számának növekedésének.
Ez már történik vele arcfelismerés, amely egykor új funkció volt iPhone-ján, de most számos programban és alkalmazásban implementálják, különösen a közbiztonsággal kapcsolatosakban.
A legtöbb szervezet számára, amely megpróbálja elkezdeni a gépi tanulást, az a kulcsa, hogy túltekintsen a fényes futurisztikus elképzeléseken, és fedezze fel azokat a valódi üzleti kihívásokat, amelyeken a technológia segíthet.
Következtetés
A posztindusztrializált korban a tudósok és a szakemberek olyan számítógépet próbáltak létrehozni, amely jobban viselkedik, mint az ember.
A gondolkodó gép az AI legjelentősebb hozzájárulása az emberiséghez; ennek az önjáró gépnek a fenomenális megjelenése gyorsan átalakította a vállalati működési szabályzatot.
Az önvezető járművek, az automatizált asszisztensek, az autonóm gyártásban dolgozók és az intelligens városok az utóbbi időben bizonyították az intelligens gépek életképességét. A gépi tanulás forradalma és a gépi tanulás jövője még sokáig velünk lesz.
Hagy egy Válaszol