כעת אנו יכולים לחשב את מרחב החלל ואת המורכבויות הקטנות של חלקיקים תת-אטומיים הודות למחשבים.
מחשבים מנצחים בני אדם בכל הקשור לספירה וחישוב, כמו גם בעקבות תהליכי כן/לא לוגיים, הודות לאלקטרונים הנעים במהירות האור דרך המעגלים שלו.
עם זאת, לעתים קרובות אנו לא רואים אותם כ"אינטליגנטים", שכן בעבר, מחשבים לא יכלו לבצע שום דבר מבלי שילמדו אותם (מתוכנתו) על ידי בני אדם.
למידת מכונה, כולל למידה עמוקה ו בינה מלאכותית, הפך למילת באז בכותרות מדעיות וטכנולוגיות.
נראה שלמידת מכונה נוכחת בכל מקום, אבל אנשים רבים שמשתמשים במילה יתקשו להגדיר בצורה מספקת מה היא, מה היא עושה ולמה היא משמשת בצורה הטובה ביותר.
מאמר זה מבקש להבהיר למידת מכונה תוך מתן דוגמאות קונקרטיות בעולם האמיתי לאופן שבו הטכנולוגיה פועלת כדי להמחיש מדוע היא כל כך מועילה.
לאחר מכן, נבחן את מתודולוגיות למידת המכונה השונות ונראה כיצד נעשה בהן שימוש כדי להתמודד עם אתגרים עסקיים.
לבסוף, נתייעץ עם כדור הבדולח שלנו לכמה תחזיות מהירות לגבי עתיד למידת מכונה.
מהי למידת מכונה?
למידת מכונה היא דיסציפלינה של מדעי המחשב המאפשרת למחשבים להסיק דפוסים מנתונים מבלי שילמדו אותם במפורש מהם הדפוסים הללו.
מסקנות אלו מבוססות לעתים קרובות על שימוש באלגוריתמים להערכת אוטומטית של המאפיינים הסטטיסטיים של הנתונים ופיתוח מודלים מתמטיים לתיאור הקשר בין ערכים שונים.
יש להשוות זאת עם המחשוב הקלאסי, המבוסס על מערכות דטרמיניסטיות, שבהן אנו נותנים למחשב במפורש מערכת חוקים שעליו לפעול כדי שיבצע משימה מסוימת.
דרך זו של תכנות מחשבים ידועה בשם תכנות מבוסס כללים. למידת מכונה שונה מתכנות מבוסס כללים ומתגברת על כך שהיא יכולה להסיק כללים אלו בעצמה.
נניח שאתה מנהל בנק שרוצה לקבוע אם בקשת הלוואה עומדת להיכשל בהלוואה שלו.
בשיטה מבוססת כללים, מנהל הבנק (או מומחים אחרים) יודיע במפורש למחשב שאם ציון האשראי של המבקש נמוך מרמה מסוימת, יש לדחות את הבקשה.
עם זאת, תוכנית למידת מכונה פשוט תנתח נתונים קודמים על דירוג אשראי של לקוחות ותוצאות הלוואות ותקבע מה הסף הזה צריך להיות לבד.
המכונה לומדת מנתונים קודמים ויוצרת בדרך זו כללים משלה. כמובן, זהו רק הנחה על למידת מכונה; מודלים של למידת מכונה בעולם האמיתי הם הרבה יותר מסובכים מסף בסיסי.
עם זאת, זו הדגמה מצוינת לפוטנציאל של למידת מכונה.
איך א מכונה לִלמוֹד?
כדי לשמור על פשטות, מכונות "לומדים" על ידי זיהוי דפוסים בנתונים דומים. ראה בנתונים מידע שאתה אוסף מהעולם החיצון. ככל שמכונה מוזנת יותר נתונים, כך היא הופכת "חכמה" יותר.
עם זאת, לא כל הנתונים זהים. נניח שאתה פיראט עם מטרת חיים לחשוף את העושר הקבור באי. תרצה כמות משמעותית של ידע כדי לאתר את הפרס.
ידע זה, כמו נתונים, יכול לקחת אותך בדרך הנכונה או הלא נכונה.
ככל שהמידע/נתונים הנרכשים גדולים יותר, כך יש פחות אי בהירות, ולהיפך. כתוצאה מכך, חיוני לשקול את סוג הנתונים שאתה מזין את המחשב שלך כדי ללמוד מהם.
עם זאת, ברגע שמסופקת כמות משמעותית של נתונים, המחשב יכול לבצע תחזיות. מכונות יכולות לצפות את העתיד כל עוד הוא לא סוטה הרבה מהעבר.
מכונות "לומדים" על ידי ניתוח נתונים היסטוריים כדי לקבוע מה צפוי לקרות.
אם הנתונים הישנים דומים לנתונים החדשים, סביר להניח שהדברים שאתה יכול לומר על הנתונים הקודמים יחולו על הנתונים החדשים. זה כאילו אתה מסתכל אחורה כדי לראות קדימה.
מהם סוגי למידת מכונה?
אלגוריתמים ללמידת מכונה מסווגים לעתים קרובות לשלושה סוגים רחבים (אם כי נעשה שימוש גם בסכימות סיווג אחרות):
- למידה בפיקוח
- למידה ללא פיקוח
- לימוד עם חיזוקים
למידה בפיקוח
למידת מכונה מפוקחת מתייחסת לטכניקות שבהן מודל למידת המכונה מקבל אוסף של נתונים עם תוויות מפורשות עבור כמות העניין (כמות זו מכונה לעתים קרובות התגובה או היעד).
כדי להכשיר מודלים של בינה מלאכותית, למידה מפוקחת למחצה משתמשת בשילוב של נתונים מסומנים ולא מסומנים.
אם אתה עובד עם נתונים ללא תווית, תצטרך לבצע תיוג נתונים מסוים.
תיוג הוא תהליך של תיוג דגימות כדי לסייע בהן אימון למידת מכונה דֶגֶם. התיוג נעשה בעיקר על ידי אנשים, דבר שעלול להיות יקר ולאורך זמן. עם זאת, ישנן טכניקות להפוך את תהליך התיוג לאוטומטי.
מצב הבקשה להלוואה שדיברנו עליו קודם הוא המחשה מצוינת ללמידה מפוקחת. היו לנו נתונים היסטוריים לגבי דירוג האשראי של מבקשי הלוואות לשעבר (ואולי רמות הכנסה, גיל וכן הלאה) וכן תוויות ספציפיות שאמרו לנו אם האדם הנדון לא עמד בהלוואה שלו.
רגרסיה וסיווג הן שתי תת-קבוצות של טכניקות למידה בפיקוח.
- מִיוּן - הוא עושה שימוש באלגוריתם כדי לסווג נתונים בצורה נכונה. מסנני דואר זבל הם דוגמה אחת. "דואר זבל" יכול להיות קטגוריה סובייקטיבית - הגבול בין ספאם לתקשורת שאינה דואר זבל הוא מטושטש - ואלגוריתם מסנן הספאם משכלל את עצמו כל הזמן בהתאם למשוב שלך (כלומר אימייל שבני אדם מסמנים כדואר זבל).
- נסיגה - זה מועיל בהבנת הקשר בין משתנים תלויים ובלתי תלויים. מודלים של רגרסיה יכולים לחזות ערכים מספריים על סמך מספר מקורות נתונים, כגון אומדני הכנסות ממכירות עבור חברה מסוימת. רגרסיה לינארית, רגרסיה לוגיסטית ורגרסיה פולינומית הן כמה טכניקות רגרסיה בולטות.
למידה ללא פיקוח
בלמידה ללא פיקוח, אנו מקבלים נתונים ללא תווית ורק מחפשים דפוסים. בוא נעמיד פנים שאתה אמזון. האם נוכל למצוא אשכולות (קבוצות של צרכנים דומים) על סמך היסטוריית רכישות של לקוחות?
גם אם אין לנו נתונים מפורשים ומכריעים לגבי העדפותיו של אדם, במקרה זה, פשוט הידיעה שקבוצה מסוימת של צרכנים רוכשת מוצרים דומים מאפשרת לנו להציע הצעות קנייה על סמך מה שאנשים אחרים באשכול רכשו גם הם.
קרוסלת "אולי תעניין אותך" של אמזון מופעלת על ידי טכנולוגיות דומות.
למידה ללא פיקוח יכולה לקבץ נתונים באמצעות אשכולות או שיוך, בהתאם למה שאתה רוצה לקבץ יחד.
- אשכולות – למידה ללא פיקוח מנסה להתגבר על אתגר זה על ידי חיפוש אחר דפוסים בנתונים. אם יש אשכול או קבוצה דומים, האלגוריתם יסווג אותם בצורה מסוימת. הניסיון לסווג לקוחות על סמך היסטוריית רכישות קודמת הוא דוגמה לכך.
- עמותה - למידה ללא פיקוח מנסה להתמודד עם אתגר זה על ידי ניסיון להבין את הכללים והמשמעויות העומדים בבסיס קבוצות שונות. דוגמה שכיחה לבעיית שיוך היא קביעת הקשר בין רכישות של לקוחות. חנויות יכולות להיות מעוניינות לדעת אילו מוצרים נרכשו יחד ויכולות להשתמש במידע זה כדי לארגן את המיקום של מוצרים אלה לגישה נוחה.
לימוד עם חיזוקים
למידת חיזוק היא טכניקה להוראת מודלים של למידת מכונה כדי לקבל סדרה של החלטות ממוקדות מטרה בסביבה אינטראקטיבית. מקרי השימוש במשחקים שהוזכרו לעיל הם המחשות מצוינות לכך.
אתה לא צריך להזין את AlphaZero אלפי משחקי שחמט קודמים, כל אחד עם מהלך "טוב" או "גרוע" מסומן. כל שעליך לעשות הוא ללמד אותו את חוקי המשחק ואת המטרה, ואז לתת לו לנסות מעשים אקראיים.
חיזוק חיובי ניתן לפעילויות המקרבות את התוכנית למטרה (כגון פיתוח עמדת פיון מוצקה). כאשר למעשים יש השפעה הפוכה (כגון העברת המלך בטרם עת), הם זוכים לחיזוק שלילי.
התוכנה יכולה בסופו של דבר לשלוט במשחק בשיטה זו.
לימוד עם חיזוקים נמצא בשימוש נרחב ברובוטיקה כדי ללמד רובוטים לפעולות מסובכות וקשות להנדסה. לעתים נעשה בו שימוש בשילוב עם תשתית כבישים, כגון אותות תנועה, כדי לשפר את זרימת התנועה.
מה ניתן לעשות עם למידת מכונה?
השימוש בלמידת מכונה בחברה ובתעשייה מביא להתקדמות במגוון רחב של מאמצים אנושיים.
בחיי היומיום שלנו, למידת מכונה שולטת כעת באלגוריתמי החיפוש והתמונה של גוגל, ומאפשרת לנו להתאים בצורה מדויקת יותר למידע שאנחנו צריכים כשאנחנו צריכים אותו.
ברפואה, למשל, למידת מכונה מיושמת על נתונים גנטיים כדי לעזור לרופאים להבין ולחזות כיצד הסרטן מתפשט, מה שמאפשר לפתח טיפולים יעילים יותר.
נתונים מהחלל העמוק נאספים כאן על פני כדור הארץ באמצעות טלסקופי רדיו מסיביים - ולאחר ניתוח עם למידת מכונה, הם עוזרים לנו לפענח את המסתורין של החורים השחורים.
למידת מכונה בקמעונאות מקשרת קונים עם דברים שהם רוצים לקנות באינטרנט, וגם עוזרת לעובדי החנויות להתאים את השירות שהם מספקים ללקוחותיהם בעולם הלבן והלבן.
למידת מכונה מופעלת במאבק נגד הטרור והקיצוניות כדי לצפות את התנהגותם של מי שרוצים לפגוע בחפים מפשע.
עיבוד שפה טבעית (NLP) מתייחס לתהליך המאפשר למחשבים להבין ולתקשר איתנו בשפה אנושית באמצעות למידת מכונה, והוא הביא לפריצות דרך בטכנולוגיית התרגום וכן במכשירים הנשלטים בקול שאנו משתמשים בהם יותר ויותר מדי יום, כגון Alexa, Google dot, Siri ו-Google Assistant.
בלי שאלה, למידת מכונה מוכיחה שזו טכנולוגיה טרנספורמטיבית.
רובוטים המסוגלים לעבוד לצידנו ולהגביר את המקוריות והדמיון שלנו עם ההיגיון החסר תקלות והמהירות העל-אנושית שלהם אינם עוד פנטזיית מדע בדיוני - הם הופכים למציאות במגזרים רבים.
מקרי שימוש של Machine Learning
1. אבטחת רשת
ככל שהרשתות הפכו מסובכות יותר, מומחי אבטחת סייבר עבדו ללא לאות כדי להסתגל למגוון ההולך ומתרחב של איומי אבטחה.
התמודדות עם תוכנות זדוניות וטקטיקות פריצה המתפתחות במהירות היא מאתגרת מספיק, אבל התפשטות מכשירי האינטרנט של הדברים (IoT) שינתה את סביבת אבטחת הסייבר באופן מהותי.
התקפות יכולות להתרחש בכל רגע ובכל מקום.
למרבה המזל, אלגוריתמי למידת מכונה אפשרו לפעולות אבטחת סייבר לעמוד בקצב ההתפתחויות המהירות הללו.
ניתוח חזוי לאפשר זיהוי מהיר יותר והפחתה של התקפות, בעוד שלמידת מכונה יכולה לנתח את הפעילות שלך בתוך רשת כדי לזהות חריגות וחולשות במנגנוני אבטחה קיימים.
2. אוטומציה של שירות לקוחות
ניהול מספר גדל והולך של אנשי קשר מקוונים עם לקוחות הקשה על הארגון.
פשוט אין להם מספיק אנשי שירות לקוחות להתמודד עם כמות הפניות שהם מקבלים, ואת הגישה המסורתית של מיקור חוץ של נושאים מוקדי שירות זה פשוט לא מקובל עבור רבים מהלקוחות של היום.
צ'אטבוטים ומערכות אוטומטיות אחרות יכולות כעת לתת מענה לדרישות הללו הודות להתקדמות בטכניקות למידת מכונה. חברות יכולות לפנות כוח אדם לתמיכה בלקוחות ברמה גבוהה יותר על ידי אוטומציה של פעילויות שגרתיות ובעדיפות נמוכה.
בשימוש נכון, למידת מכונה בעסק יכולה לעזור לייעל את פתרון הבעיות ולספק לצרכנים את סוג התמיכה המועילה שהופכת אותם להיות אלופי מותג מחויבים.
3. תקשורת
הימנעות מטעויות ותפיסות שגויות היא קריטית בכל סוג של תקשורת, אך יותר מכך בתקשורת העסקית של היום.
טעויות דקדוקיות פשוטות, טון שגוי או תרגומים שגויים עלולים לגרום למגוון קשיים ביצירת קשר בדוא"ל, הערכות לקוחות, שיחת ועידה בוידאו, או תיעוד מבוסס טקסט בצורות רבות.
למערכות למידת מכונה יש תקשורת מתקדמות הרבה מעבר לימים הסוערים של Clippy של מיקרוסופט.
דוגמאות למידת מכונה אלו עזרו לאנשים לתקשר בצורה פשוטה ומדויקת על ידי שימוש בעיבוד שפה טבעית, תרגום שפה בזמן אמת וזיהוי דיבור.
בעוד שאנשים רבים סולדים מיכולות תיקון אוטומטי, הם גם מעריכים להיות מוגנים מפני טעויות מביכות וטון לא תקין.
4. זיהוי אובייקטים
בעוד שהטכנולוגיה לאיסוף ולפרש נתונים קיימת כבר זמן מה, לימוד מערכות מחשב להבין על מה הן מסתכלות הוכח כמשימה קשה להטעיה.
יכולות זיהוי אובייקטים מתווספות למספר הולך וגדל של מכשירים בגלל יישומי למידת מכונה.
מכונית בנהיגה עצמית, למשל, מזהה מכונית אחרת כאשר היא רואה אותה, גם אם מתכנתים לא נתנו לה דוגמה מדויקת של המכונית הזו כדי להשתמש בה כנקודת עזר.
טכנולוגיה זו נמצאת כעת בשימוש בעסקים קמעונאיים כדי לעזור להאיץ את תהליך התשלום. מצלמות מזהות את המוצרים בעגלות הצרכנים ויכולות לחייב את חשבונותיהם באופן אוטומטי כשהם עוזבים את החנות.
5. שיווק דיגיטלי
חלק גדול מהשיווק של היום נעשה באינטרנט, תוך שימוש במגוון פלטפורמות דיגיטליות ותוכנות.
כאשר עסקים אוספים מידע על הצרכנים שלהם והתנהגויות הרכישה שלהם, צוותי שיווק יכולים להשתמש במידע זה כדי לבנות תמונה מפורטת של קהל היעד שלהם ולגלות אילו אנשים נוטים יותר לחפש את המוצרים והשירותים שלהם.
אלגוריתמי למידת מכונה מסייעים למשווקים להבין את כל הנתונים הללו, ולגלות דפוסים ותכונות משמעותיות המאפשרות להם לסווג אפשרויות באופן הדוק.
אותה טכנולוגיה מאפשרת אוטומציה גדולה של שיווק דיגיטלי. ניתן להגדיר מערכות מודעות כדי לגלות צרכנים פוטנציאליים חדשים באופן דינמי ולספק להם תוכן שיווקי רלוונטי בזמן ובמקום המתאימים.
עתיד למידת מכונה
למידת מכונה בהחלט צוברת פופולריות ככל שיותר עסקים וארגונים ענקיים משתמשים בטכנולוגיה כדי להתמודד עם אתגרים ספציפיים או לתדלק חדשנות.
השקעה מתמשכת זו מדגימה הבנה שלמידת מכונה מייצרת החזר ROI, במיוחד באמצעות כמה ממקרי השימוש שהוזכרו לעיל וניתנים לשחזור.
אחרי הכל, אם הטכנולוגיה מספיק טובה לנטפליקס, פייסבוק, אמזון, גוגל מפות וכן הלאה, רוב הסיכויים שהיא יכולה לעזור לחברה שלך להפיק את המרב מהנתונים שלה.
כמו חדש למידת מכונה מודלים שפותחו והושקו, נהיה עדים לגידול במספר האפליקציות שישמשו בתעשיות.
זה כבר קורה עם זיהוי פנים, שהייתה פעם פונקציה חדשה באייפון שלך אך כעת מיושמת במגוון רחב של תוכניות ויישומים, במיוחד אלו הקשורים לביטחון הציבור.
המפתח עבור רוב הארגונים המנסים להתחיל עם למידת מכונה הוא להסתכל מעבר לחזונות העתידניים הבהירים ולגלות את האתגרים העסקיים האמיתיים שהטכנולוגיה יכולה לעזור לך איתם.
סיכום
בעידן הפוסט-מתועש, מדענים ואנשי מקצוע ניסו ליצור מחשב שמתנהג יותר כמו בני אדם.
מכונת החשיבה היא התרומה המשמעותית ביותר של AI לאנושות; הגעתה הפנומנלית של המכונה המתנעה זו שינתה במהירות את תקנות התפעול של החברה.
כלי רכב בנהיגה עצמית, עוזרים אוטומטיים, עובדי ייצור אוטונומי וערים חכמות הוכיחו לאחרונה את כדאיותן של מכונות חכמות. מהפכת למידת המכונה, ועתיד למידת המכונה, יהיו איתנו עוד זמן רב.
השאירו תגובה