Efnisyfirlit[Fela][Sýna]
Við getum nú reiknað út víðáttu rýmisins og smáflækjur undirkjarna agna þökk sé tölvum.
Tölvur sigra menn þegar kemur að því að telja og reikna, auk þess að fylgja rökréttum já/nei ferlum, þökk sé rafeindum sem ferðast á ljóshraða um rafrásir þess.
Hins vegar lítum við ekki oft á þær sem „greindar“ þar sem áður fyrr gátu tölvur ekki framkvæmt neitt án þess að vera kennt (forritað) af mönnum.
Vélnám, þar á meðal djúpt nám og gervigreind, hefur orðið tískuorð í vísinda- og tæknifyrirsögnum.
Vélræn nám virðist vera alls staðar nálægur, en margir sem nota orðið ættu í erfiðleikum með að skilgreina nægilega hvað það er, hvað það gerir og í hvað það er best notað.
Þessi grein leitast við að skýra vélanám ásamt því að veita áþreifanleg, raunhæf dæmi um hvernig tæknin virkar til að sýna hvers vegna hún er svo gagnleg.
Síðan skoðum við hinar ýmsu vélanámsaðferðir og sjáum hvernig þær eru notaðar til að takast á við viðskiptaáskoranir.
Að lokum munum við hafa samband við kristalkúluna okkar til að fá nokkrar skjótar spár um framtíð vélanáms.
Hvað er vélinám?
Vélanám er fræðigrein tölvunarfræði sem gerir tölvum kleift að álykta um mynstur út frá gögnum án þess að vera beinlínis kennt hvað þessi mynstur eru.
Þessar ályktanir byggjast oft á því að nota reiknirit til að meta sjálfkrafa tölfræðilega eiginleika gagnanna og þróa stærðfræðileg líkön til að sýna tengslin milli ýmissa gilda.
Berðu þetta saman við klassíska tölvuvinnslu, sem byggir á deterministic kerfum, þar sem við gefum tölvunni beinlínis sett af reglum til að fylgja til að hún geti unnið ákveðið verkefni.
Þessi leið til að forrita tölvur er þekkt sem reglubundin forritun. Vélræn nám er frábrugðið og gengur betur en reglubundin forritun að því leyti að hún getur ályktað um þessar reglur á eigin spýtur.
Gerðu ráð fyrir að þú sért bankastjóri sem vill ákvarða hvort lánsumsókn muni mistakast á láni sínu.
Með reglubundinni aðferð myndi bankastjóri (eða aðrir sérfræðingar) láta tölvuna skýrt vita að ef lánstraust umsækjanda er undir ákveðnu marki ætti að hafna umsókninni.
Hins vegar myndi vélnámsáætlun einfaldlega greina fyrri gögn um lánshæfismat viðskiptavina og lánaniðurstöður og ákvarða hver þessi þröskuldur ætti að vera ein og sér.
Vélin lærir af fyrri gögnum og býr til sínar eigin reglur á þennan hátt. Auðvitað er þetta aðeins grunnur á vélanámi; raunveruleg vélanámslíkön eru mun flóknari en grunnþröskuldur.
Engu að síður er þetta frábær sýning á möguleikum vélanáms.
Hvernig virkar a vél læra?
Til að hafa hlutina einfalda „læra“ vélar með því að greina mynstur í sambærilegum gögnum. Líttu á gögn sem upplýsingar sem þú safnar frá umheiminum. Því meiri gögnum sem vélinni er gefið, því „snjallari“ verður hún.
Hins vegar eru ekki öll gögn eins. Gerðu ráð fyrir að þú sért sjóræningi með lífstilgang að afhjúpa grafinn auð á eyjunni. Þú munt vilja hafa umtalsvert magn af þekkingu til að finna verðlaunin.
Þessi þekking, eins og gögn, getur annað hvort tekið þig á réttan eða rangan hátt.
Því meiri upplýsingar/gögn sem aflað er, því minni tvíræðni er og öfugt. Þess vegna er mikilvægt að íhuga hvers konar gögn þú ert að gefa vélinni þinni til að læra af.
Hins vegar, þegar umtalsvert magn af gögnum hefur verið veitt, getur tölvan gert spár. Vélar geta séð fyrir framtíðina svo framarlega sem hún víkur ekki mikið frá fortíðinni.
Vélar „læra“ með því að greina söguleg gögn til að ákvarða hvað er líklegt til að gerast.
Ef gömlu gögnin líkjast nýju gögnunum, þá er líklegt að það sem þú getur sagt um fyrri gögn eigi við um nýju gögnin. Það er eins og þú horfir til baka til að sjá fram á við.
Hverjar eru tegundir vélanáms?
Reiknirit fyrir vélanám eru oft flokkuð í þrjár gerðir (þó önnur flokkunarkerfi séu einnig notuð):
- Umsjón nám
- Ekkert eftirlit með námi
- Styrkingarnám
Umsjón nám
Stýrt vélnám vísar til aðferða þar sem vélanámslíkaninu er gefið safn gagna með skýrum merkingum fyrir magn áhuga (þetta magn er oft nefnt svarið eða markmiðið).
Til að þjálfa gervigreind módel notar hálfstýrt nám blöndu af merktum og ómerktum gögnum.
Ef þú ert að vinna með ómerkt gögn þarftu að taka að þér einhverja gagnamerkingu.
Merking er ferlið við að merkja sýni til að aðstoða við þjálfun vélanáms fyrirmynd. Merkingar eru fyrst og fremst unnar af fólki sem getur verið kostnaðarsamt og tímafrekt. Hins vegar eru til tækni til að gera merkingarferlið sjálfvirkt.
Lánsumsóknastaðan sem við ræddum áður er frábær lýsing á námi undir eftirliti. Við höfðum söguleg gögn um lánshæfismat fyrrverandi lánsumsækjenda (og ef til vill tekjustig, aldur og svo framvegis) ásamt sérstökum merkingum sem sögðu okkur hvort viðkomandi hafi staðið í skilum með lánið sitt eða ekki.
Aðhvarf og flokkun eru tvö undirmengi námstækni undir eftirliti.
- Flokkun - Það notar reiknirit til að flokka gögn rétt. Ruslpóstsíur eru eitt dæmi. „Ruslpóstur“ getur verið huglægur flokkur – mörkin á milli ruslpósts og samskipta sem ekki eru ruslpóst eru óskýr – og reikniritið fyrir ruslpóstsíu er stöðugt að betrumbæta sig eftir athugasemdum þínum (sem þýðir tölvupóstur sem menn merkja sem ruslpóst).
- Aðhvarfsgreiningu – Það er gagnlegt til að skilja tengsl háðra og óháðra breyta. Aðhvarfslíkön geta spáð fyrir um töluleg gildi byggð á nokkrum gagnaveitum, eins og sölutekjumáætlanir fyrir ákveðið fyrirtæki. Línuleg aðhvarf, logistic regression og margliða aðhvarf eru nokkrar áberandi aðhvarfsaðferðir.
Ekkert eftirlit með námi
Í námi án eftirlits fáum við ómerkt gögn og erum bara að leita að mynstrum. Við skulum láta eins og þú sért Amazon. Getum við fundið einhverja klasa (hópa svipaðra neytenda) byggða á kaupsögu viðskiptavina?
Jafnvel þó að við höfum ekki skýr, óyggjandi gögn um óskir einstaklings, í þessu tilviki, einfaldlega að vita að tiltekið hópur neytenda kaupir sambærilegar vörur gerir okkur kleift að koma með kauptillögur byggðar á því sem aðrir einstaklingar í klasanum hafa líka keypt.
„Þú gætir líka haft áhuga á“ hringekju Amazon er knúin áfram af svipaðri tækni.
Nám án eftirlits getur flokkað gögn í gegnum klasa eða tengsl, allt eftir því hvað þú vilt hópa saman.
- Þyrping – Nám án eftirlits reynir að sigrast á þessari áskorun með því að leita að mynstrum í gögnunum. Ef það er svipaður klasi eða hópur mun reikniritið flokka þá á ákveðinn hátt. Að reyna að flokka viðskiptavini út frá fyrri kaupsögu er dæmi um þetta.
- Association – Nám án eftirlits reynir að takast á við þessa áskorun með því að reyna að skilja reglurnar og merkinguna sem liggja að baki ýmsum hópum. Tíð dæmi um félagavandamál er að ákvarða tengsl milli kaupa viðskiptavina. Verslanir geta haft áhuga á að vita hvaða vörur voru keyptar saman og geta notað þessar upplýsingar til að haga staðsetningu þessara vara til að auðvelda aðgang.
Styrkingarnám
Styrkingarnám er tækni til að kenna vélanámslíkön til að taka röð markmiðaðra ákvarðana í gagnvirku umhverfi. Leikjanotkunartilvikin sem nefnd eru hér að ofan eru frábærar skýringar á þessu.
Þú þarft ekki að setja inn AlphaZero þúsundir fyrri skáka, hver með „góðri“ eða „lélegri“ hreyfingu merkt. Einfaldlega kenndu honum reglur leiksins og markmiðið og láttu það síðan prófa tilviljunarkenndar athafnir.
Jákvæð styrking er veitt fyrir starfsemi sem færir forritið nær markmiðinu (svo sem að þróa trausta peðstöðu). Þegar athafnir hafa þveröfug áhrif (svo sem að færa konunginn ótímabært) fá þeir neikvæða styrkingu.
Hugbúnaðurinn getur á endanum náð tökum á leiknum með þessari aðferð.
Styrkingarnám er mikið notað í vélfærafræði til að kenna vélmenni fyrir flóknar og erfiðar aðgerðir. Það er stundum notað í tengslum við akbrautarmannvirki, svo sem umferðarmerki, til að bæta umferðarflæði.
Hvað er hægt að gera með vélanámi?
Notkun vélanáms í samfélaginu og atvinnulífinu hefur í för með sér framfarir í margs konar viðleitni manna.
Í daglegu lífi okkar stjórnar vélanám nú leitar- og myndaalgrímum Google, sem gerir okkur kleift að passa betur saman við þær upplýsingar sem við þurfum þegar við þurfum á þeim að halda.
Í læknisfræði, til dæmis, er vélanám notað á erfðafræðileg gögn til að hjálpa læknum að skilja og spá fyrir um hvernig krabbamein dreifist, sem gerir kleift að þróa árangursríkari meðferðir.
Verið er að safna gögnum úr djúpum geimnum hér á jörðinni í gegnum stóra útvarpssjónauka - og eftir að hafa verið greind með vélanámi hjálpar það okkur að afhjúpa leyndardóma svarthola.
Vélanám í smásölu tengir kaupendur við hluti sem þeir vilja kaupa á netinu og hjálpar einnig starfsmönnum verslana að sérsníða þjónustuna sem þeir veita viðskiptavinum sínum í múrsteinsheiminum.
Vélnám er notað í baráttunni gegn hryðjuverkum og öfgahyggju til að sjá fyrir hegðun þeirra sem vilja meiða saklausa.
Náttúruleg málvinnsla (NLP) vísar til þess ferlis að gera tölvum kleift að skilja og eiga samskipti við okkur á mannamáli með vélrænu námi og hefur það skilað sér í byltingum í þýðingartækni sem og raddstýrðu tækjunum sem við notum í auknum mæli á hverjum degi, s.s. Alexa, Google punktur, Siri og Google aðstoðarmaður.
Án spurningar sýnir vélanám að það er umbreytingartækni.
Vélmenni sem geta unnið við hlið okkar og efla eigin frumleika og ímyndunarafl með gallalausri rökfræði og ofurmannlegum hraða eru ekki lengur vísindaskáldskaparfantasía – þau eru að verða að veruleika í mörgum geirum.
Notkunartilvik vélanáms
1. Netöryggi
Eftir því sem netkerfi hafa orðið flóknari hafa netöryggissérfræðingar unnið sleitulaust að því að laga sig að sífellt stækkandi úrvali öryggisógna.
Það er nógu krefjandi að vinna gegn spilliforritum og tölvuþrjótum sem þróast hratt, en útbreiðsla Internet of Things (IoT) tækja hefur í grundvallaratriðum umbreytt netöryggisumhverfinu.
Árásir geta átt sér stað hvenær sem er og hvar sem er.
Sem betur fer hafa vélanámsreiknirit gert netöryggisaðgerðum kleift að fylgjast með þessari hröðu þróun.
Flýtiritun gera kleift að greina og draga úr árásum hraðar, á meðan vélnám getur greint virkni þína innan nets til að greina frávik og veikleika í núverandi öryggiskerfum.
2. Sjálfvirkni í þjónustu við viðskiptavini
Að hafa umsjón með auknum fjölda tengiliða viðskiptavina á netinu hefur reynst mikið skipulag.
Þeir hafa einfaldlega ekki nægjanlegt þjónustufólk til að takast á við magn fyrirspurna sem þeir fá og hefðbundna nálgun að útvista málum til tengiliðamiðstöð er bara óviðunandi fyrir marga af viðskiptavinum nútímans.
Spjallbotar og önnur sjálfvirk kerfi geta nú tekist á við þessar kröfur þökk sé framförum í vélanámstækni. Fyrirtæki geta losað starfsfólk til að taka að sér meiri þjónustu við viðskiptavini á háu stigi með því að gera sjálfvirkan hversdagslega og lágt forgangsverkefni.
Þegar það er notað á réttan hátt getur vélanám í viðskiptum hjálpað til við að hagræða úrlausn vandamála og veita neytendum þá tegund af gagnlegum stuðningi sem breytir þeim í staðfasta vörumerkjameistara.
3. Samskipti
Að forðast villur og ranghugmyndir er mikilvægt í hvers kyns samskiptum, en meira í viðskiptasamskiptum nútímans.
Einföld málfræðileg mistök, rangur tónn eða rangar þýðingar geta valdið margvíslegum erfiðleikum við samband við tölvupóst, mat viðskiptavina, vídeó fundur, eða textabundin skjöl í mörgum myndum.
Vélanámskerfi hafa háþróaða samskipti langt fram yfir hina stórhættulegu daga Microsoft Clippy.
Þessi vélnámsdæmi hafa hjálpað einstaklingum að eiga samskipti á einfaldan og nákvæman hátt með því að nota náttúrulega málvinnslu, rauntíma tungumálaþýðingu og talgreiningu.
Þó að mörgum einstaklingum líkar illa við sjálfvirka leiðréttingargetu, þá meta þeir líka að vera verndaðir gegn vandræðalegum mistökum og óviðeigandi tóni.
4. Hlutaþekking
Þó að tæknin til að safna og túlka gögn hafi verið til í nokkurn tíma, hefur það reynst villandi erfitt verkefni að kenna tölvukerfum að skilja hvað þau eru að horfa á.
Hlutagreiningarmöguleikar eru bættir við vaxandi fjölda tækja vegna vélanámsforrita.
Sjálfkeyrandi bíll, til dæmis, þekkir annan bíl þegar hann sér einn, jafnvel þótt forritarar hafi ekki gefið hann nákvæmlega dæmi um þann bíl til að nota sem viðmið.
Þessi tækni er nú notuð í smásölufyrirtækjum til að flýta fyrir afgreiðsluferlinu. Myndavélar bera kennsl á vörurnar í körfum neytenda og geta sjálfkrafa reikningsfært reikninga þeirra þegar þeir fara úr versluninni.
5. Stafræn markaðssetning
Mikið af markaðssetningu nútímans fer fram á netinu, með því að nota ýmsa stafræna vettvanga og hugbúnað.
Þegar fyrirtæki safna upplýsingum um neytendur sína og kauphegðun þeirra geta markaðsteymi notað þær upplýsingar til að byggja upp nákvæma mynd af markhópi sínum og uppgötva hvaða fólk er frekar hneigðist til að leita að vörum þeirra og þjónustu.
Vélræn reiknirit aðstoða markaðsmenn við að skilja öll þessi gögn, uppgötva mikilvæg mynstur og eiginleika sem gera þeim kleift að flokka möguleika vel.
Sama tækni gerir stóra stafræna markaðssetningu sjálfvirkni. Hægt er að setja upp auglýsingakerfi til að uppgötva nýja væntanlega neytendur á virkan hátt og veita þeim viðeigandi markaðsefni á réttum tíma og stað.
Framtíð vélanáms
Vélnám nýtur vissulega vinsælda þar sem fleiri fyrirtæki og risastór samtök nota tæknina til að takast á við sérstakar áskoranir eða kynda undir nýsköpun.
Þessi áframhaldandi fjárfesting sýnir skilning á því að vélanám skilar arðsemi, sérstaklega með sumum af ofangreindum staðfestum og endurgeranlegum notkunartilfellum.
Þegar öllu er á botninn hvolft, ef tæknin er nógu góð fyrir Netflix, Facebook, Amazon, Google Maps, og svo framvegis, eru líkurnar á því að hún geti einnig hjálpað fyrirtækinu þínu að nýta gögnin sem best.
Sem ný vél nám módel eru þróuð og hleypt af stokkunum, munum við verða vitni að auknum fjölda forrita sem verða notuð þvert á atvinnugreinar.
Þetta er nú þegar að gerast með andlitsþekking, sem einu sinni var ný aðgerð á iPhone þínum en er nú innleidd í margs konar forrit og forrit, sérstaklega þau sem tengjast almannaöryggi.
Lykillinn fyrir flestar stofnanir sem reyna að byrja með vélanám er að horfa framhjá björtum framtíðarsýnum og uppgötva hinar raunverulegu viðskiptaáskoranir sem tæknin getur hjálpað þér með.
Niðurstaða
Á tímum eftir iðnvæðingu hafa vísindamenn og fagfólk verið að reyna að búa til tölvu sem hegðar sér meira eins og menn.
Hugsunarvélin er mikilvægasta framlag gervigreindar til mannkyns; stórkostleg tilkoma þessarar sjálfknúnu vélar hefur breytt rekstrarreglum fyrirtækja hratt.
Sjálfkeyrandi farartæki, sjálfvirkir aðstoðarmenn, sjálfstæðir starfsmenn í framleiðslu og snjallborgir hafa undanfarið sýnt fram á hagkvæmni snjallvéla. Vélanámsbyltingin, og framtíð vélanáms, mun vera með okkur í langan tíma.
Skildu eftir skilaboð