Sommario[Nascondere][Spettacolo]
Ora possiamo calcolare l'estensione dello spazio e le piccole complessità delle particelle subatomiche grazie ai computer.
I computer battono gli esseri umani quando si tratta di contare e calcolare, oltre a seguire processi logici sì/no, grazie agli elettroni che viaggiano alla velocità della luce attraverso i suoi circuiti.
Tuttavia, non li vediamo spesso come "intelligenti" poiché, in passato, i computer non potevano eseguire nulla senza essere istruiti (programmati) dagli esseri umani.
Apprendimento automatico, incluso il deep learning e intelligenza artificiale, è diventata una parola d'ordine nei titoli scientifici e tecnologici.
L'apprendimento automatico sembra essere onnipresente, ma molte persone che usano la parola faticherebbero a definire adeguatamente di cosa si tratta, cosa fa e per cosa è meglio utilizzato.
Questo articolo cerca di chiarire l'apprendimento automatico fornendo anche esempi concreti e reali di come funziona la tecnologia per illustrare perché è così vantaggioso.
Quindi, esamineremo le varie metodologie di apprendimento automatico e vedremo come vengono utilizzate per affrontare le sfide aziendali.
Infine, consulteremo la nostra sfera di cristallo per alcune rapide previsioni sul futuro dell'apprendimento automatico.
Cos'è l'apprendimento automatico?
L'apprendimento automatico è una disciplina dell'informatica che consente ai computer di dedurre schemi dai dati senza che venga esplicitamente insegnato quali siano questi schemi.
Queste conclusioni sono spesso basate sull'utilizzo di algoritmi per valutare automaticamente le caratteristiche statistiche dei dati e sullo sviluppo di modelli matematici per rappresentare la relazione tra i vari valori.
Confrontalo con l'informatica classica, che si basa su sistemi deterministici, in cui diamo esplicitamente al computer una serie di regole da seguire affinché svolga un determinato compito.
Questo modo di programmare i computer è noto come programmazione basata su regole. L'apprendimento automatico differisce e supera la programmazione basata su regole in quanto può dedurre queste regole da solo.
Supponiamo che tu sia un dirigente di banca che vuole determinare se una richiesta di prestito fallirà sul suo prestito.
In un metodo basato su regole, il direttore della banca (o altri specialisti) informerebbe espressamente il computer che se il punteggio di credito del richiedente è inferiore a un certo livello, la domanda dovrebbe essere respinta.
Tuttavia, un programma di apprendimento automatico analizzerebbe semplicemente i dati precedenti sui rating creditizi dei clienti e sui risultati dei prestiti e determinerebbe quale dovrebbe essere questa soglia da sola.
La macchina apprende dai dati precedenti e crea le proprie regole in questo modo. Naturalmente, questo è solo un assaggio dell'apprendimento automatico; i modelli di apprendimento automatico del mondo reale sono significativamente più complicati di una soglia di base.
Tuttavia, è un'eccellente dimostrazione del potenziale dell'apprendimento automatico.
Come funziona a macchina imparare?
Per semplificare le cose, le macchine "imparano" rilevando schemi in dati comparabili. Considera i dati come informazioni che raccogli dal mondo esterno. Più dati viene alimentata una macchina, più "intelligente" diventa.
Tuttavia, non tutti i dati sono uguali. Supponi di essere un pirata con uno scopo vitale per scoprire le ricchezze sepolte sull'isola. Avrai bisogno di una notevole quantità di conoscenze per individuare il premio.
Questa conoscenza, come i dati, può portarti nel modo corretto o sbagliato.
Maggiore è l'informazione/dati acquisiti, minore è l'ambiguità e viceversa. Di conseguenza, è fondamentale considerare il tipo di dati che stai alimentando la tua macchina da cui imparare.
Tuttavia, una volta fornita una notevole quantità di dati, il computer può fare previsioni. Le macchine possono anticipare il futuro purché non si discosti molto dal passato.
Le macchine "apprendono" analizzando i dati storici per determinare cosa è probabile che accada.
Se i vecchi dati assomigliano ai nuovi dati, è probabile che le cose che puoi dire sui dati precedenti si applicheranno ai nuovi dati. È come se guardassi indietro per guardare avanti.
Quali sono i tipi di apprendimento automatico?
Gli algoritmi per l'apprendimento automatico sono spesso classificati in tre tipi principali (sebbene vengano utilizzati anche altri schemi di classificazione):
- Apprendimento supervisionato
- Apprendimento senza supervisione
- Insegnamento rafforzativo
Apprendimento supervisionato
L'apprendimento automatico supervisionato si riferisce a tecniche in cui al modello di apprendimento automatico viene fornita una raccolta di dati con etichette esplicite per la quantità di interesse (questa quantità viene spesso definita risposta o obiettivo).
Per addestrare i modelli di intelligenza artificiale, l'apprendimento semi-supervisionato utilizza un mix di dati etichettati e non etichettati.
Se stai lavorando con dati senza etichetta, dovrai eseguire alcune etichette dei dati.
L'etichettatura è il processo di etichettatura dei campioni per aiutarli addestrare un machine learning modello. L'etichettatura viene eseguita principalmente da persone, il che può essere costoso e richiedere molto tempo. Tuttavia, esistono tecniche per automatizzare il processo di etichettatura.
La situazione della domanda di prestito di cui abbiamo discusso prima è un'eccellente illustrazione dell'apprendimento supervisionato. Avevamo dati storici sui rating creditizi degli ex richiedenti prestiti (e forse livelli di reddito, età e così via) nonché etichette specifiche che ci dicevano se la persona in questione non avesse pagato o meno il prestito.
La regressione e la classificazione sono due sottoinsiemi delle tecniche di apprendimento supervisionato.
- Classificazione – Utilizza un algoritmo per classificare correttamente i dati. I filtri antispam sono un esempio. "Spam" può essere una categoria soggettiva: il confine tra comunicazioni spam e non spam è sfocato e l'algoritmo del filtro antispam si perfeziona costantemente in base al feedback (ovvero e-mail che gli esseri umani contrassegnano come spam).
- Regressione – È utile per comprendere la connessione tra variabili dipendenti e indipendenti. I modelli di regressione possono prevedere valori numerici basati su diverse origini dati, come le stime dei ricavi di vendita per una determinata azienda. La regressione lineare, la regressione logistica e la regressione polinomiale sono alcune delle principali tecniche di regressione.
Apprendimento senza supervisione
Nell'apprendimento non supervisionato, ci vengono forniti dati senza etichetta e stiamo solo cercando schemi. Facciamo finta che tu sia Amazon. Possiamo trovare dei cluster (gruppi di consumatori simili) in base alla cronologia degli acquisti dei clienti?
Anche se non disponiamo di dati espliciti e conclusivi sulle preferenze di una persona, in questo caso, semplicemente sapere che un insieme specifico di consumatori acquista beni comparabili ci consente di dare suggerimenti di acquisto basati su ciò che hanno acquistato anche altri individui nel cluster.
Il carosello "potresti anche essere interessato" di Amazon è alimentato da tecnologie simili.
L'apprendimento non supervisionato può raggruppare i dati tramite raggruppamento o associazione, a seconda di cosa si desidera raggruppare.
- il clustering – L'apprendimento senza supervisione tenta di superare questa sfida cercando modelli nei dati. Se esiste un cluster o un gruppo simile, l'algoritmo li classificherà in un determinato modo. Il tentativo di classificare i clienti in base alla cronologia degli acquisti precedente ne è un esempio.
- Associazione – L'apprendimento senza supervisione tenta di affrontare questa sfida cercando di comprendere le regole ei significati alla base dei vari gruppi. Un esempio frequente di problema di associazione è la determinazione di un collegamento tra gli acquisti dei clienti. I negozi possono essere interessati a sapere quali beni sono stati acquistati insieme e possono utilizzare queste informazioni per organizzare il posizionamento di questi prodotti per un facile accesso.
Insegnamento rafforzativo
L'apprendimento per rinforzo è una tecnica per insegnare modelli di apprendimento automatico per prendere una serie di decisioni orientate agli obiettivi in un ambiente interattivo. I casi d'uso di gioco sopra menzionati ne sono eccellenti esempi.
Non è necessario inserire in AlphaZero migliaia di precedenti partite di scacchi, ognuna con una mossa "buona" o "scarsa" etichettata. Insegnagli semplicemente le regole del gioco e l'obiettivo, quindi lascia che provi atti casuali.
Il rinforzo positivo viene dato alle attività che avvicinano il programma all'obiettivo (come lo sviluppo di una solida posizione di pedone). Quando gli atti hanno l'effetto opposto (come spostare prematuramente il re), guadagnano un rinforzo negativo.
Il software può infine padroneggiare il gioco utilizzando questo metodo.
Insegnamento rafforzativo è ampiamente utilizzato in robotica per insegnare ai robot azioni complicate e difficili da ingegnerizzare. A volte viene utilizzato in combinazione con l'infrastruttura stradale, come i segnali stradali, per migliorare il flusso del traffico.
Cosa si può fare con l'apprendimento automatico?
L'uso dell'apprendimento automatico nella società e nell'industria sta determinando progressi in un'ampia gamma di attività umane.
Nella nostra vita quotidiana, l'apprendimento automatico controlla ora gli algoritmi di ricerca e immagine di Google, consentendoci di essere abbinati in modo più accurato alle informazioni di cui abbiamo bisogno quando ne abbiamo bisogno.
In medicina, ad esempio, l'apprendimento automatico viene applicato ai dati genetici per aiutare i medici a comprendere e prevedere come si diffonde il cancro, consentendo lo sviluppo di terapie più efficaci.
I dati dallo spazio profondo vengono raccolti qui sulla Terra tramite enormi radiotelescopi e, dopo essere stati analizzati con l'apprendimento automatico, ci sta aiutando a svelare i misteri dei buchi neri.
L'apprendimento automatico nella vendita al dettaglio collega gli acquirenti alle cose che desiderano acquistare online e aiuta anche i dipendenti dei negozi a personalizzare il servizio che forniscono ai loro clienti nel mondo dei mattoni e malta.
L'apprendimento automatico viene impiegato nella battaglia contro il terrore e l'estremismo per anticipare il comportamento di coloro che desiderano ferire gli innocenti.
L'elaborazione del linguaggio naturale (NLP) si riferisce al processo che consente ai computer di comprendere e comunicare con noi nel linguaggio umano attraverso l'apprendimento automatico e ha portato a innovazioni nella tecnologia di traduzione e nei dispositivi a controllo vocale che utilizziamo sempre più ogni giorno, come Alexa, Google dot, Siri e l'assistente Google.
Senza dubbio, l'apprendimento automatico sta dimostrando che si tratta di una tecnologia trasformativa.
Robot capaci di lavorare al nostro fianco e di potenziare la nostra originalità e immaginazione con la loro logica impeccabile e velocità sovrumana non sono più una fantasia di fantascienza, stanno diventando realtà in molti settori.
Casi d'uso di Machine Learning
1. sicurezza informatica
Poiché le reti sono diventate più complicate, gli specialisti della sicurezza informatica hanno lavorato instancabilmente per adattarsi alla gamma in continua espansione di minacce alla sicurezza.
Contrastare il malware in rapida evoluzione e le tattiche di hacking è già abbastanza impegnativo, ma la proliferazione dei dispositivi Internet of Things (IoT) ha trasformato radicalmente l'ambiente della sicurezza informatica.
Gli attacchi possono verificarsi in qualsiasi momento e in qualsiasi luogo.
Per fortuna, gli algoritmi di apprendimento automatico hanno consentito alle operazioni di sicurezza informatica di stare al passo con questi rapidi sviluppi.
Analisi predittiva consentire un rilevamento e una mitigazione più rapidi degli attacchi, mentre il machine learning può analizzare la tua attività all'interno di una rete per rilevare anomalie e punti deboli nei meccanismi di sicurezza esistenti.
2. Automazione del servizio clienti
La gestione di un numero crescente di contatti con clienti online ha messo a dura prova l'organizzazione.
Semplicemente non hanno abbastanza personale del servizio clienti per gestire il volume di richieste che stanno ricevendo e l'approccio tradizionale dei problemi di outsourcing a un centralino è semplicemente inaccettabile per molti dei clienti di oggi.
I chatbot e altri sistemi automatizzati possono ora soddisfare queste esigenze grazie ai progressi nelle tecniche di apprendimento automatico. Le aziende possono liberare personale per intraprendere un'assistenza clienti di più alto livello automatizzando le attività banali e a bassa priorità.
Se utilizzato correttamente, l'apprendimento automatico nelle aziende può aiutare a semplificare la risoluzione dei problemi e fornire ai consumatori il tipo di supporto utile che li converte in campioni del marchio impegnati.
3. Comunicazione
Evitare errori e idee sbagliate è fondamentale in qualsiasi tipo di comunicazione, ma lo è ancora di più nelle comunicazioni aziendali di oggi.
Semplici errori grammaticali, tono errato o traduzioni errate possono causare una serie di difficoltà nel contatto e-mail, nelle valutazioni dei clienti, videoconferenza, o documentazione basata su testo in molte forme.
I sistemi di apprendimento automatico hanno una comunicazione avanzata ben oltre i giorni inebrianti di Clippy di Microsoft.
Questi esempi di apprendimento automatico hanno aiutato le persone a comunicare in modo semplice e preciso utilizzando l'elaborazione del linguaggio naturale, la traduzione del linguaggio in tempo reale e il riconoscimento vocale.
Sebbene a molte persone non piacciano le capacità di correzione automatica, apprezzano anche la protezione da errori imbarazzanti e toni impropri.
4. Riconoscimento di oggetti
Sebbene la tecnologia per raccogliere e interpretare i dati sia in circolazione da un po' di tempo, insegnare ai sistemi informatici a capire cosa stanno guardando si è rivelato un compito ingannevolmente difficile.
Le capacità di riconoscimento degli oggetti vengono aggiunte a un numero crescente di dispositivi grazie alle applicazioni di apprendimento automatico.
Un'automobile a guida autonoma, ad esempio, riconosce un'altra auto quando ne vede una, anche se i programmatori non le hanno fornito un esempio esatto di quell'auto da utilizzare come riferimento.
Questa tecnologia viene ora utilizzata nelle attività di vendita al dettaglio per accelerare il processo di pagamento. Le telecamere identificano i prodotti nei carrelli dei consumatori e possono fatturare automaticamente i loro account quando lasciano il negozio.
5. Marketing digitale
Gran parte del marketing di oggi viene svolto online, utilizzando una gamma di piattaforme digitali e programmi software.
Man mano che le aziende raccolgono informazioni sui loro consumatori e sui loro comportamenti di acquisto, i team di marketing possono utilizzare tali informazioni per creare un quadro dettagliato del loro pubblico di destinazione e scoprire quali persone sono più inclini a cercare i loro prodotti e servizi.
Gli algoritmi di apprendimento automatico aiutano i professionisti del marketing a dare un senso a tutti quei dati, scoprendo modelli e attributi significativi che consentono loro di classificare strettamente le possibilità.
La stessa tecnologia consente la grande automazione del marketing digitale. I sistemi pubblicitari possono essere impostati per scoprire nuovi potenziali consumatori in modo dinamico e fornire loro contenuti di marketing pertinenti al momento e nel luogo giusti.
Futuro dell'apprendimento automatico
L'apprendimento automatico sta sicuramente guadagnando popolarità poiché sempre più aziende e grandi organizzazioni utilizzano la tecnologia per affrontare sfide specifiche o alimentare l'innovazione.
Questo investimento continuo dimostra la comprensione del fatto che l'apprendimento automatico sta producendo ROI, in particolare attraverso alcuni dei casi d'uso consolidati e riproducibili sopra menzionati.
Dopotutto, se la tecnologia è abbastanza buona per Netflix, Facebook, Amazon, Google Maps e così via, è probabile che possa aiutare anche la tua azienda a ottenere il massimo dai suoi dati.
Come nuovo machine learning vengono sviluppati e lanciati modelli, assisteremo a un aumento del numero di applicazioni che verranno utilizzate in tutti i settori.
Questo sta già accadendo con riconoscimento facciale, che una volta era una nuova funzione del tuo iPhone ma ora viene implementata in un'ampia gamma di programmi e applicazioni, in particolare quelli relativi alla pubblica sicurezza.
La chiave per la maggior parte delle organizzazioni che cercano di iniziare con l'apprendimento automatico è guardare oltre le brillanti visioni futuristiche e scoprire le vere sfide aziendali con cui la tecnologia può aiutarti.
Conclusione
Nell'era post-industriale, scienziati e professionisti hanno cercato di creare un computer che si comportasse più come gli esseri umani.
La macchina pensante è il contributo più significativo dell'IA all'umanità; l'arrivo fenomenale di questa macchina semovente ha trasformato rapidamente i regolamenti operativi aziendali.
Veicoli a guida autonoma, assistenti automatizzati, dipendenti di produzione autonomi e città intelligenti hanno recentemente dimostrato la fattibilità delle macchine intelligenti. La rivoluzione dell'apprendimento automatico e il futuro dell'apprendimento automatico saranno con noi per molto tempo.
Lascia un Commento