Мазмұны[Жасыру][Көрсету]
Енді біз компьютерлердің арқасында ғарыш кеңістігін және субатомдық бөлшектердің ұсақ-түйектерін есептей аламыз.
Компьютерлер электр тізбегі арқылы жарық жылдамдығымен қозғалатын электрондардың арқасында санау және есептеу, сондай-ақ логикалық иә/жоқ процестерін орындау кезінде адамдарды жеңеді.
Дегенмен, біз оларды «ақылды» деп жиі көрмейміз, өйткені бұрын компьютерлер адамдар үйретпестен (бағдарламасыз) ештеңе орындай алмайтын.
Машиналық оқыту, соның ішінде терең оқыту және жасанды интеллект, ғылыми-техникалық тақырыптардың айшықты сөзіне айналды.
Машиналық оқыту барлық жерде бар сияқты, бірақ бұл сөзді қолданатын көптеген адамдар оның не екенін, не істейтінін және не үшін ең жақсы қолданылатынын дұрыс анықтау үшін күреседі.
Бұл мақала машиналық оқытуды түсіндіруге тырысады, сонымен қатар оның неге соншалықты пайдалы екенін көрсету үшін технологияның қалай жұмыс істейтіні туралы нақты, нақты мысалдар келтіреді.
Содан кейін біз әртүрлі машиналық оқыту әдістемелерін қарастырамыз және олардың бизнес мәселелерін шешу үшін қалай қолданылатынын көреміз.
Ақырында, біз машиналық оқытудың болашағы туралы жылдам болжамдар алу үшін кристалды шарымызбен кеңесетін боламыз.
Машиналық оқыту дегеніміз не?
Машиналық оқыту - компьютерлерге деректерден үлгілерді шығаруға мүмкіндік беретін информатика пәні, бұл үлгілердің не екенін нақты үйретпей-ақ.
Бұл тұжырымдар көбінесе деректердің статистикалық ерекшеліктерін автоматты түрде бағалау үшін алгоритмдерді қолдануға және әртүрлі мәндер арасындағы байланысты бейнелеу үшін математикалық модельдерді әзірлеуге негізделген.
Мұны детерминирленген жүйелерге негізделген классикалық есептеулермен салыстырыңыз, онда біз компьютерге белгілі бір тапсырманы орындау үшін ұстанатын ережелер жинағын анық береміз.
Компьютерлерді бағдарламалаудың бұл жолы ережеге негізделген бағдарламалау деп аталады. Машиналық оқыту ережелерге негізделген бағдарламалаудан ерекшеленеді және бұл ережелерді өздігінен шығара алатындығымен ерекшеленеді.
Сіз несиелік өтінім несие бойынша сәтсіздікке ұшырайтынын анықтағысы келетін банк менеджерісіз делік.
Ережеге негізделген әдісте банк менеджері (немесе басқа мамандар) егер өтініш берушінің несиелік баллы белгілі бір деңгейден төмен болса, өтінімді қабылдамау керектігі туралы компьютерге тікелей хабардар етеді.
Дегенмен, машиналық оқыту бағдарламасы клиенттің несиелік рейтингтері мен несие нәтижелері туралы алдыңғы деректерді талдап, бұл шекті өз бетінше анықтауға мүмкіндік береді.
Машина алдыңғы деректерден үйренеді және осылайша өз ережелерін жасайды. Әрине, бұл тек машиналық оқытуға арналған праймер; нақты әлемдегі машиналық оқыту үлгілері негізгі шекті мәнге қарағанда айтарлықтай күрделірек.
Дегенмен, бұл машиналық оқытудың әлеуетінің тамаша көрінісі.
А машина үйрену?
Қарапайым нәрселерді сақтау үшін машиналар салыстырмалы деректердегі үлгілерді анықтау арқылы «үйренеді». Деректерді сыртқы әлемнен жинайтын ақпарат ретінде қарастырыңыз. Құрылғыға неғұрлым көп деректер берілсе, соғұрлым ол «ақылды» болады.
Дегенмен, барлық деректер бірдей емес. Сіз аралдағы көмілген байлықты ашу үшін өмірлік мақсаты бар қарақшысыз делік. Жүлдені табу үшін сізге көп білім қажет.
Бұл білім, деректер сияқты, сізді дұрыс немесе бұрыс жолға түсіруі мүмкін.
Алынған ақпарат/деректер неғұрлым көп болса, соғұрлым түсініксіздік аз болады және керісінше. Нәтижесінде, үйрену үшін құрылғыны беретін деректер түрін ескеру өте маңызды.
Дегенмен, деректердің айтарлықтай саны берілгеннен кейін компьютер болжам жасай алады. Машиналар өткеннен көп ауытқымаса, болашақты болжай алады.
Машиналар не болуы мүмкін екенін анықтау үшін тарихи деректерді талдау арқылы «үйренеді».
Егер ескі деректер жаңа деректерге ұқсайтын болса, онда алдыңғы деректер туралы айта алатын нәрселер жаңа деректерге қолданылуы мүмкін. Алға қарау үшін артқа қарағандайсың.
Машиналық оқытудың қандай түрлері бар?
Машиналық оқыту алгоритмдері жиі үш кең түрге жіктеледі (бірақ басқа жіктеу схемалары да қолданылады):
- Жетекшілік ететін оқыту
- Бақылаусыз оқыту
- Арматуралық оқыту
Жетекшілік ететін оқыту
Бақыланатын машиналық оқыту машиналық оқыту моделіне қызығушылық саны үшін нақты белгілермен деректер жинағы берілетін әдістерді білдіреді (бұл сан жиі жауап немесе мақсат деп аталады).
Жасанды интеллект үлгілерін үйрету үшін жартылай басқарылатын оқыту таңбаланған және таңбаланбаған деректердің қоспасын пайдаланады.
Таңбаланбаған деректермен жұмыс істеп жатсаңыз, кейбір деректерді таңбалауды орындауыңыз керек.
Таңбалау - көмектесу үшін үлгілерді таңбалау процесі машиналық оқытуды үйрету үлгі. Таңбалауды ең алдымен адамдар жасайды, бұл қымбат және көп уақытты қажет етеді. Дегенмен, таңбалау процесін автоматтандыру әдістері бар.
Біз бұрын талқылаған несиеге өтініш беру жағдайы бақылаудағы оқытудың тамаша көрінісі болып табылады. Бізде бұрынғы несиеге үміткерлердің несие рейтингтеріне (мүмкін кіріс деңгейлері, жасы және т.б.) қатысты тарихи деректер, сондай-ақ қарастырылып отырған адамның несие бойынша дефолтқа ұшыраған-болмағаны туралы нақты белгілер болған.
Регрессия және классификация бақылаудағы оқыту әдістерінің екі ішкі жиыны болып табылады.
- сыныптау – Ол деректерді дұрыс санаттау үшін алгоритмді пайдаланады. Спам сүзгілері бір мысал. «Спам» субъективті санат болуы мүмкін — спам және спам емес хабарлар арасындағы сызық бұлыңғыр — және спам сүзгісінің алгоритмі сіздің пікіріңізге байланысты (адамдар спам деп белгілейтін электрондық поштаны білдіреді) өзін үнемі нақтылайды.
- Регрессия – Бұл тәуелді және тәуелсіз айнымалылар арасындағы байланысты түсінуге көмектеседі. Регрессиялық модельдер белгілі бір компанияның сатудан түсетін кірісті бағалау сияқты бірнеше деректер көздеріне негізделген сандық мәндерді болжауы мүмкін. Сызықтық регрессия, логистикалық регрессия және көпмүшелік регрессия кейбір көрнекті регрессия әдістері болып табылады.
Бақылаусыз оқыту
Бақылаусыз оқытуда бізге таңбаланбаған деректер беріледі және тек үлгілерді іздейміз. Сіз Amazon екеніңізді елестетіп көрейік. Клиенттің сатып алу тарихына негізделген кез келген кластерлерді (ұқсас тұтынушылар топтарын) таба аламыз ба?
Бізде адамның қалауы туралы нақты, тұжырымды деректер болмаса да, бұл жағдайда тұтынушылардың белгілі бір жиынтығы салыстырмалы тауарларды сатып алатынын білу бізге кластердегі басқа тұлғалардың не сатып алғаны негізінде сатып алу ұсыныстарын жасауға мүмкіндік береді.
Amazon компаниясының «сізді де қызықтыруы мүмкін» карусельі ұқсас технологиялармен жұмыс істейді.
Бірге топтағыңыз келетін нәрсеге байланысты бақылаусыз оқыту деректерді кластерлеу немесе байланыстыру арқылы топтастыруы мүмкін.
- Кластерлеу – Бақыланбайтын оқыту деректердегі үлгілерді іздеу арқылы осы қиындықты жеңуге тырысады. Ұқсас кластер немесе топ бар болса, алгоритм оларды белгілі бір түрде санаттарға бөледі. Алдыңғы сатып алу тарихына негізделген клиенттерді санаттауға тырысу - бұл мысал.
- қауымдастық – Бақыланбайтын оқыту әртүрлі топтардың негізінде жатқан ережелер мен мағыналарды түсінуге тырысып, бұл қиындықты шешуге тырысады. Қауымдастық мәселесінің жиі мысалы тұтынушылардың сатып алулары арасындағы байланысты анықтау болып табылады. Дүкендер қандай тауарлардың бірге сатып алынғанын білуге мүдделі болуы мүмкін және бұл ақпаратты оңай қол жеткізу үшін осы өнімдердің орналасуын реттеу үшін пайдалана алады.
Арматуралық оқыту
Оқытуды күшейту – интерактивті жағдайда мақсатқа бағытталған шешімдер қатарын қабылдау үшін машиналық оқыту үлгілерін үйрету әдісі. Жоғарыда аталған ойынды пайдалану жағдайлары мұның тамаша көрінісі болып табылады.
Әрқайсысы «жақсы» немесе «нашар» деп белгіленген мыңдаған алдыңғы шахмат ойындарын AlphaZero енгізудің қажеті жоқ. Оған жай ғана ойын ережелері мен мақсатын үйретіңіз, содан кейін кездейсоқ әрекеттерді сынап көріңіз.
Оң күшейту бағдарламаны мақсатқа жақындататын әрекеттерге беріледі (мысалы, ломбардтың берік позициясын дамыту). Әрекеттер кері әсер еткенде (мысалы, корольді мерзімінен бұрын ауыстыру), олар теріс күшке ие болады.
Бағдарламалық құрал сайып келгенде осы әдісті пайдаланып ойынды меңгере алады.
Арматуралық оқыту роботтарды күрделі және инженерлік жасау қиын әрекеттерге үйрету үшін робототехникада кеңінен қолданылады. Ол кейде көлік ағынын жақсарту үшін бағдаршамдар сияқты жол инфрақұрылымымен бірге пайдаланылады.
Машиналық оқыту арқылы не істеуге болады?
Қоғамда және өнеркәсіпте машиналық оқытуды пайдалану адам әрекеттерінің кең ауқымында ілгерілеуге әкеледі.
Біздің күнделікті өмірімізде машиналық оқыту қазір Google іздеу және кескін алгоритмдерін басқарады, бұл бізге қажет кезде қажетті ақпаратпен дәлірек сәйкестендіруге мүмкіндік береді.
Мысалы, медицинада дәрігерлерге қатерлі ісіктің қалай таралатынын түсінуге және болжауға көмектесу үшін генетикалық деректерге машиналық оқыту қолданылады, бұл тиімдірек емдеу әдістерін жасауға мүмкіндік береді.
Жер бетінде үлкен радиотелескоптар арқылы терең ғарыштан алынған деректер жиналуда және машиналық оқытумен талданғаннан кейін ол бізге қара тесіктердің құпиясын ашуға көмектеседі.
Бөлшек саудадағы машиналық оқыту сатып алушыларды желіде сатып алғысы келетін нәрселермен байланыстырады, сонымен қатар дүкен қызметкерлеріне кірпіш пен құрылыс әлемінде өз клиенттеріне ұсынатын қызметтерді бейімдеуге көмектеседі.
Машиналық оқыту терроризм мен экстремизмге қарсы күресте жазықсыз адамдарға зиян тигізгісі келетіндердің мінез-құлқын болжау үшін қолданылады.
Табиғи тілді өңдеу (NLP) компьютерлерге машиналық оқыту арқылы адам тілінде бізбен түсінуге және байланысуға мүмкіндік беру процесін білдіреді және бұл аударма технологиясында, сондай-ақ біз күнделікті жиі қолданатын дауыспен басқарылатын құрылғыларда жетістіктерге әкелді, мысалы Alexa, Google нүктесі, Siri және Google көмекшісі.
Сөзсіз, машиналық оқыту оның трансформациялық технология екенін көрсетеді.
Бізбен бірге жұмыс істей алатын және өздерінің мінсіз логикасы мен адамдық жылдамдығымен өзіндік ерекшелігіміз бен қиялымызды арттыра алатын роботтар енді ғылыми фантастика емес - олар көптеген секторларда шындыққа айналуда.
Machine Learning қолдану жағдайлары
1. киберқауіпсіздік
Желілер күрделене түскен сайын киберқауіпсіздік мамандары қауіпсіздік қатерлерінің кеңейіп жатқан ауқымына бейімделу үшін тынымсыз жұмыс жасады.
Қарқынды дамып келе жатқан зиянды бағдарламаларға және бұзу тактикасына қарсы тұру өте қиын, бірақ Интернет заттары (IoT) құрылғыларының таралуы киберқауіпсіздік ортасын түбегейлі өзгертті.
Шабуыл кез келген уақытта және кез келген жерде болуы мүмкін.
Бақытымызға орай, машиналық оқыту алгоритмдері киберқауіпсіздік операцияларына осы жылдам әзірлемелерге ілесуге мүмкіндік берді.
Болжамды аналитика шабуылдарды жылдам анықтауға және азайтуға мүмкіндік береді, ал машиналық оқыту қолданыстағы қауіпсіздік механизмдеріндегі ауытқулар мен әлсіздіктерді анықтау үшін желідегі әрекетіңізді талдай алады.
2. Тұтынушыларға қызмет көрсетуді автоматтандыру
Клиенттердің онлайн байланыстарының көбеюі ұйымның жұмысын қиындатады.
Оларда келіп түсетін сұраулардың көлемін өңдеу үшін тұтынушыларға қызмет көрсететін персонал жеткіліксіз және аутсорсинг мәселелеріне дәстүрлі көзқарас. байланыс орталығы Бүгінгі клиенттердің көпшілігі үшін бұл жай ғана қолайсыз.
Чат-боттар және басқа автоматтандырылған жүйелер енді машиналық оқыту әдістеріндегі жетістіктердің арқасында осы талаптарды шеше алады. Компаниялар қарапайым және аз басымдықты әрекеттерді автоматтандыру арқылы жоғары деңгейдегі тұтынушыларға қолдау көрсету үшін қызметкерлерді босатады.
Дұрыс пайдаланылған жағдайда, бизнесте машиналық оқыту мәселені шешуді жеңілдетуге және тұтынушыларды бренд чемпиондарына айналдыратын пайдалы қолдау түрін ұсынуға көмектеседі.
3. қарым-қатынас
Қателерден және қате түсініктерден аулақ болу кез келген байланыс түрінде өте маңызды, бірақ бүгінгі іскерлік коммуникацияларда маңыздырақ.
Қарапайым грамматикалық қателер, қате үн немесе қате аудармалар электрондық поштамен байланысуда, тұтынушыларды бағалауда, бейне конференциялар, немесе көптеген пішіндегі мәтінге негізделген құжаттама.
Машинамен оқыту жүйелері Microsoft корпорациясының Clippy-дің қиын күндерінен әлдеқайда жоғары дамыған байланысқа ие.
Бұл машиналық оқыту мысалдары табиғи тілді өңдеу, нақты уақыттағы тіл аудармасы және сөйлеуді тану арқылы адамдарға қарапайым және дәл сөйлесуге көмектесті.
Көптеген адамдар автотүзету мүмкіндіктерін ұнатпайтынымен, олар ұятқа қалдыратын қателіктер мен дұрыс емес тондардан қорғануды бағалайды.
4. Объектіні тану
Деректерді жинау және түсіндіру технологиясы біраз уақыттан бері пайда болғанымен, компьютерлік жүйелерді не қарап жатқанын түсінуге үйрету алдамшы қиын міндет болып шықты.
Нысанды тану мүмкіндіктері машиналық оқыту қолданбаларына байланысты құрылғылар санының артуына қосылуда.
Мысалы, өзін-өзі басқаратын автомобиль басқа көлікті көргенде таниды, тіпті бағдарламашылар оны анықтама ретінде пайдалану үшін сол көліктің нақты мысалын бермесе де.
Бұл технология қазір бөлшек сауда кәсіпорындарында төлем процесін жылдамдатуға көмектесу үшін қолданылады. Камералар тұтынушылардың арбасындағы өнімдерді анықтайды және олар дүкеннен шыққан кезде олардың шоттарына автоматты түрде шот бере алады.
5. Сандық маркетинг
Бүгінгі маркетингтің көп бөлігі сандық платформалар мен бағдарламалық жасақтамаларды қолдану арқылы онлайн режимінде жүзеге асырылады.
Кәсіпорындар тұтынушылары және олардың сатып алу әрекеттері туралы ақпаратты жинаған кезде, маркетинг топтары бұл ақпаратты мақсатты аудиториясының егжей-тегжейлі бейнесін құру және қай адамдар өз өнімдері мен қызметтерін іздеуге бейім екенін анықтау үшін пайдалана алады.
Машиналық оқыту алгоритмдері маркетологтарға барлық деректерді түсінуге, мүмкіндіктерді қатаң санаттауға мүмкіндік беретін маңызды үлгілер мен атрибуттарды табуға көмектеседі.
Дәл сол технология үлкен цифрлық маркетингті автоматтандыруға мүмкіндік береді. Жарнама жүйелерін жаңа әлеуетті тұтынушыларды динамикалық түрде табу және оларға тиісті уақытта және орынды маркетингтік мазмұнды қамтамасыз ету үшін орнатуға болады.
Машиналық оқытудың болашағы
Көбірек кәсіпорындар мен үлкен ұйымдар нақты қиындықтарды шешу немесе инновацияны жандандыру үшін технологияны пайдаланатындықтан, машиналық оқыту танымал болып келеді.
Бұл үздіксіз инвестиция, әсіресе жоғарыда аталған кейбір белгіленген және қайталанатын пайдалану жағдайлары арқылы машиналық оқыту ROI әкелетінін түсінуді көрсетеді.
Өйткені, технология Netflix, Facebook, Amazon, Google Maps және т.
Жаңа ретінде машина оқыту модельдер әзірленіп, іске қосылса, біз барлық салаларда қолданылатын қосымшалар санының көбеюіне куә боламыз.
Бұл қазірдің өзінде болып жатыр тұлғаны тану, ол бір кездері iPhone-да жаңа функция болған, бірақ қазір бағдарламалар мен қолданбалардың кең ауқымына, әсіресе қоғамдық қауіпсіздікке қатыстыларға енгізілуде.
Машинамен оқытуды бастауға тырысатын көптеген ұйымдардың кілті - жарқын футуристік көзқарастарды қарау және технология сізге көмектесетін нақты бизнес қиындықтарын табу.
қорытынды
Постиндустриалды дәуірде ғалымдар мен мамандар өзін адамға ұқсайтын компьютер жасауға тырысты.
Ойлау машинасы - бұл AI-ның адамзатқа қосқан ең маңызды үлесі; Бұл өздігінен жүретін машинаның керемет келуі корпоративтік пайдалану ережелерін тез өзгертті.
Өзін-өзі басқаратын көліктер, автоматтандырылған көмекшілер, автономды өндіріс қызметкерлері және ақылды қалалар соңғы уақытта ақылды машиналардың өміршеңдігін көрсетті. Машиналық оқыту төңкерісі және машиналық оқытудың болашағы бізбен ұзақ уақыт бірге болады.
пікір қалдыру