Мазмуну[Жашыруу][Көрсөтүү]
Эми компьютерлер аркасында космостун кеңдигин жана субатомдук бөлүкчөлөрдүн кичинекей татаалдыктарын эсептей алабыз.
Эсептөө жана эсептөөдө, ошондой эле логикалык ооба/жок процесстерин ээрчигенде компьютерлер, анын схемасы аркылуу жарык ылдамдыгы менен жүргөн электрондордун аркасында адамдарды жеңет.
Бирок, биз аларды көп учурда "акылдуу" катары көрбөйбүз, анткени мурун компьютерлер адамдар тарабынан үйрөтүлбөй (программаланбай) эч нерсе кыла алчу эмес.
Машина үйрөнүү, анын ичинде терең үйрөнүү жана Жасалма интеллект, гылыми-техни-калык макалалардагы кепке айналды.
Машина үйрөнүү бардык жерде бар көрүнөт, бирок бул сөздү колдонгон көптөгөн адамдар анын эмне экенин, эмне кыларын жана эмне үчүн эң жакшы колдонуларын адекваттуу аныктоо үчүн күрөшүп келишет.
Бул макала машинаны үйрөнүүнү тактоого жана технологиянын эмне үчүн мынчалык пайдалуу экенин көрсөтүү үчүн кандайча иштээрин конкреттүү, реалдуу мисалдарды келтирүүгө аракет кылат.
Андан кийин биз машинаны үйрөнүүнүн ар кандай методологияларын карап чыгабыз жана алар бизнес көйгөйлөрүн чечүү үчүн кандайча колдонулуп жатканын көрөбүз.
Акыр-аягы, биз машина үйрөнүүнүн келечеги жөнүндө тез божомолдор үчүн кристалл шарыбыз менен кеңешебиз.
Machine Learning деген эмне?
Машиналарды үйрөнүү - бул информатика илиминин дисциплинасы, ал компьютерлерге ал үлгүлөр эмне экендигин ачык үйрөтпөстөн, маалыматтардан үлгүлөрдү чыгарууга мүмкүндүк берет.
Бул корутундулар көбүнчө маалыматтардын статистикалык өзгөчөлүктөрүн автоматтык түрдө баалоо үчүн алгоритмдерди колдонууга жана ар кандай маанилердин ортосундагы байланышты чагылдыруу үчүн математикалык моделдерди иштеп чыгууга негизделген.
Муну детерминисттик системаларга негизделген классикалык эсептөөлөр менен салыштырып көргүлө, мында биз компьютерге белгилүү бир тапшырманы аткаруу үчүн кармануу үчүн эрежелердин топтомун беребиз.
ЭЭМди программалоонун бул жолу эрежеге негизделген программалоо деп аталат. Машина үйрөнүү эрежелерге негизделген программалоодон айырмаланат жана андан жогору турат, анткени ал бул эрежелерди өз алдынча чыгара алат.
Сиз банк менеджерисиз деп ойлойлу, ал насыя алуу өтүнүчү алардын насыясы боюнча ишке ашпай калбасын аныктагысы келет.
Эрежелерге негизделген ыкмада банк менеджери (же башка адистер) эгерде өтүнмө ээсинин кредиттик баллы белгилүү бир деңгээлден төмөн болсо, өтүнмө четке кагылышы керектиги жөнүндө компьютерге ачык кабарлайт.
Бирок, машинаны үйрөнүү программасы жөн гана кардардын кредиттик рейтингдери жана кредиттик натыйжалар боюнча мурунку маалыматтарды талдап, бул босого кандай болушу керек экенин аныктайт.
Машина мурунку маалыматтардан сабак алат жана ушундай жол менен өзүнүн эрежелерин түзөт. Албетте, бул машина үйрөнүү боюнча бир гана праймер; реалдуу дүйнөдөгү машина үйрөнүү моделдери негизги босогого караганда кыйла татаал.
Ошого карабастан, бул машина үйрөнүү потенциалынын эң сонун далили.
Кантип а машина үйрөнүү?
Жөнөкөй нерселерди сактоо үчүн, машиналар салыштырылуучу маалыматтардагы үлгүлөрдү аныктоо аркылуу "үйрөнүшөт". Маалыматтарды сиз тышкы дүйнөдөн чогулткан маалымат деп эсептеңиз. Машинага канчалык көп маалымат берилсе, ал ошончолук "акылдуу" болуп калат.
Бирок, бардык маалыматтар бирдей эмес. Сиз аралдагы көмүлгөн байлыктарды ачууну максат кылган пиратсыз деп ойлойсуз. Сыйлыкты табуу үчүн сизге чоң билим керек болот.
Бул билим, маалыматтар сыяктуу, сизди туура же туура эмес жолго алып барышы мүмкүн.
Алынган маалымат/маалымат канчалык көп болсо, ошончолук түшүнүксүздүк азаят жана тескерисинче. Натыйжада, үйрөнүү үчүн машинаңызды азыктандырып жаткан маалыматтардын түрүн эске алуу маанилүү.
Бирок, олуттуу сандагы маалыматтар берилгенден кийин, компьютер алдын ала айта алат. Машиналар өткөндөн көп четтебесе, келечекти алдын ала көрө алышат.
Машиналар эмне болушу мүмкүн экенин аныктоо үчүн тарыхый маалыматтарды талдоо менен "үйрөнүшөт".
Эгерде эски маалыматтар жаңы маалыматтарга окшош болсо, анда мурунку маалыматтар жөнүндө айта турган нерселер жаңы маалыматтарга да колдонулушу мүмкүн. Алдыны көрүш үчүн артты карап жаткандайсың.
Машина үйрөнүүнүн кандай түрлөрү бар?
Машинаны үйрөнүү үчүн алгоритмдер көбүнчө үч кеңири түргө бөлүнөт (бирок башка классификация схемалары да колдонулат):
- Көзөмөлдөнгөн окуу
- Көзөмөлсүз окуу
- Кубаттоо билим
Көзөмөлдөнгөн окуу
Көзөмөлдөнгөн машина үйрөнүү машина үйрөнүү моделине кызыккандардын саны үчүн ачык энбелгилери бар маалыматтардын жыйнагы берилген ыкмаларды билдирет (бул сан көбүнчө жооп же максат деп аталат).
AI моделдерин үйрөтүү үчүн жарым-жартылай көзөмөлдөгү окутууда белгиленген жана белгиленбеген маалыматтардын аралашмасы колдонулат.
Эгер сиз белгиленбеген маалыматтар менен иштеп жатсаңыз, анда кээ бир маалыматтарды этикеткалоодон өтүшүңүз керек болот.
Маркировка - бул жардам берүү үчүн үлгүлөрдү маркировкалоо процесси машинаны үйрөнүүгө үйрөтүү модель. Белгилөө негизинен адамдар тарабынан жасалат, бул кымбат жана көп убакытты талап кылат. Бирок маркировкалоо процессин автоматташтыруунун ыкмалары бар.
Биз буга чейин талкуулаган насыяга арыз берүү жагдайы көзөмөлдөнгөн окутуунун эң сонун мисалы болуп саналат. Бизде мурдагы кредиттик талапкерлердин кредиттик рейтинги (жана, балким, киреше деңгээли, жаш курагы ж.б.у.с.) боюнча тарыхый маалыматтар бар болчу, ошондой эле ошол адам насыясын төлөй албай калганбы же жокпу деген конкреттүү белгилерге ээ болгон.
Регрессия жана классификация көзөмөлдөнгөн окутуу ыкмаларынын эки топтому болуп саналат.
- классификация – Маалыматтарды туура категорияга бөлүү үчүн алгоритмди колдонот. Спам чыпкалары бир мисал. "Спам" субъективдүү категория болушу мүмкүн — спам менен спам эмес байланыштын ортосундагы сызык бүдөмүк — жана спам чыпкалоо алгоритми сиздин пикириңизге жараша дайыма такталып турат (адамдар спам деп белгилеген электрондук почта дегенди билдирет).
- регрессиялык – Бул көз каранды жана көз карандысыз өзгөрмөлөр ортосундагы байланышты түшүнүүгө жардам берет. Регрессиялык моделдер белгилүү бир компания үчүн сатуудан түшкөн кирешени болжолдоо сыяктуу бир нече маалымат булактарынын негизинде сандык маанилерди болжолдой алат. Сызыктуу регрессия, логистикалык регрессия жана полиномдук регрессия белгилүү регрессия ыкмалары болуп саналат.
Көзөмөлсүз окуу
Көзөмөлсүз окутууда бизге белгиленбеген маалыматтар берилет жана жөн гана үлгүлөрдү издеп жатабыз. Келиңиз, сизди Амазон деп коёлу. Кардардын сатып алуу тарыхынын негизинде кандайдыр бир кластерлерди (окшош керектөөчүлөрдүн топторун) таба алабызбы?
Бизде адамдын каалоолору тууралуу ачык, тыянактуу маалыматтар жок болсо да, бул учурда, керектөөчүлөрдүн белгилүү бир топтому салыштырылуучу товарларды сатып аларын билүү, кластердеги башка адамдар да сатып алган нерселердин негизинде сатып алуу сунуштарын берүүгө мүмкүнчүлүк берет.
Amazon'дун "сизге да кызык болушу мүмкүн" карусели окшош технологиялар менен иштейт.
Көзөмөлсүз окутуу сиз топтогуңуз келген нерсеге жараша маалыматтарды кластерлөө же бирикме аркылуу топтой алат.
- кластерлөө – Көзөмөлсүз окутуу маалыматтардагы үлгүлөрдү издөө аркылуу бул кыйынчылыкты жеңүүгө аракет кылат. Окшош кластер же топ бар болсо, алгоритм аларды белгилүү бир тартипте классификациялайт. Буга чейинки сатып алуу тарыхынын негизинде кардарларды категорияга бөлүүгө аракет кылуу.
- бирикме – Көзөмөлсүз окутуу ар кандай топтордун негизинде жаткан эрежелерди жана маанилерди түшүнүүгө аракет кылуу менен бул көйгөйдү чечүүгө аракет кылат. Ассоциация көйгөйүнүн көп учураган мисалы - кардарлардын сатып алууларынын ортосундагы байланышты аныктоо. Дүкөндөр кандай товарлар чогуу сатылып алынганын билүүгө кызыкдар болушу мүмкүн жана бул маалыматты оңой жетүү үчүн бул өнүмдөрдүн жайгашуусун уюштуруу үчүн колдоно алышат.
Кубаттоо билим
Окууну күчөтүү – бул интерактивдүү шартта бир катар максатка багытталган чечимдерди кабыл алуу үчүн машина үйрөнүү моделдерин үйрөтүү ыкмасы. Жогоруда айтылган оюн колдонуу учурлары мунун эң сонун мисалдары.
Сизге AlphaZero'го миңдеген мурунку шахмат оюндарын киргизүүнүн кажети жок, алардын ар бири "жакшы" же "начар" деп белгиленген. Жөн гана ага оюндун эрежелерин жана максатын үйрөтүңүз, анан туш келди аракеттерди сынап көрүңүз.
Оң бекемдөө программаны максатка жакындаткан иш-чараларга берилет (мисалы, бекем пешка позициясын өнүктүрүү). Акциялар тескери натыйжа бергенде (мисалы, падышаны мөөнөтүнөн мурда алмаштыруу), алар терс күчтөргө ээ болушат.
Программа акыры бул ыкманы колдонуу менен оюнду өздөштүрө алат.
Кубаттоо билим робототехникада татаал жана инженердик жасоого кыйын иш-аракеттерди роботторду үйрөтүү үчүн кеңири колдонулат. Ал кээде жол кыймылын жакшыртуу үчүн жол кыймылынын инфраструктурасы, мисалы, жол сигналдары менен бирге колдонулат.
Машина үйрөнүү менен эмне кылса болот?
Коомдо жана өндүрүштө машинаны үйрөнүүнү колдонуу адамдын аракеттеринин кеңири спектринде ийгиликтерди жаратууда.
Күнүмдүк жашообузда машина үйрөнүү азыр Google'дун издөө жана сүрөт алгоритмдерин көзөмөлдөп, бизге керектүү болгон учурда керектүү маалымат менен так дал келүүгө мүмкүндүк берет.
Мисалы, медицинада машиналарды үйрөнүү генетикалык маалыматтарга колдонулуп, дарыгерлерге рактын кантип жайылып жатканын түшүнүүгө жана алдын ала айтууга жардам берип, эффективдүү терапияны иштеп чыгууга мүмкүндүк берет.
Жер бетинде чоң радио телескоптор аркылуу терең мейкиндиктен алынган маалыматтар чогултулуп жатат - жана машина үйрөнүү менен анализделгенден кийин, ал кара тешиктердин сырларын ачууга жардам берет.
Чекене соода тармагында машина үйрөнүү сатып алуучуларды алар онлайн сатып алууну каалаган нерселер менен байланыштырат, ошондой эле дүкөндүн кызматкерлерине кирпичтен жасалган дүйнөдөгү кардарларына көрсөткөн кызматты ылайыкташтырууга жардам берет.
Терроризмге жана экстремизмге каршы күрөштө машина үйрөнүү бейкүнөө адамдарга зыян келтирүүнү каалагандардын жүрүм-турумун алдын ала билүү үчүн колдонулат.
Табигый тилди иштетүү (NLP) компьютерлерге машина үйрөнүү аркылуу адам тилинде биз менен түшүнүүгө жана баарлашууга мүмкүндүк берүү процессин билдирет жана анын натыйжасында котормо технологиясындагы жетишкендиктер, ошондой эле биз күн сайын көбүрөөк колдонгон үн менен башкарылуучу түзмөктөр, мисалы Alexa, Google чекити, Siri жана Google жардамчысы.
Суроо жок, машинаны үйрөнүү бул трансформациялык технология экенин көрсөтүп турат.
Биз менен бирге иштей ала турган жана кемчиликсиз логикасы жана адамдан тыш ылдамдыгы менен өзүбүздүн оригиналдуулугубузду жана фантазиябызды өркүндөтүүгө жөндөмдүү роботтор мындан ары илимий фантастика эмес – алар көптөгөн секторлордо реалдуулукка айланууда.
Machine Learning колдонуу учурлары
1. Киберкоопсуздук
Тармактар татаалдашып кеткендиктен, киберкоопсуздук боюнча адистер коопсуздук коркунучтарынын барган сайын кеңейген спектрине ыңгайлашуу үчүн талыкпай иштешти.
Тез өнүгүп жаткан кесепеттүү программаларга жана хакердик тактикага каршы туруу жетишээрлик кыйын, бирок нерселердин интернети (IoT) түзүлүштөрүнүн көбөйүшү киберкоопсуздук чөйрөсүн түп тамырынан бери өзгөрттү.
Кол салуулар каалаган учурда жана каалаган жерде болушу мүмкүн.
Бактыга жараша, машинаны үйрөнүү алгоритмдери киберкоопсуздук операцияларына ушул тез өнүгүүлөр менен туруштук берүүгө мүмкүндүк берди.
Болжолдуу аналитика кол салууларды тезирээк аныктоону жана басаңдатууну иштетиңиз, ал эми машина үйрөнүү учурдагы коопсуздук механизмдериндеги аномалияларды жана алсыз жактарды аныктоо үчүн тармак ичиндеги аракетиңизди талдай алат.
2. Кардарларды тейлөөнү автоматташтыруу
Кардарлардын онлайн байланыштарынын көбөйүп бараткан санын башкаруу көп уюштурууну кыйындатты.
Аларда жөн гана кардарларды тейлөө кызматкерлери, алар келип жаткан суроо-талаптардын көлөмүн чечүүгө жетишпейт жана аутсорсинг маселесине салттуу мамиле жасашат. байланыш борбору азыркы кардарлардын көбү үчүн жөн эле кабыл алынгыс болуп саналат.
Чатботтор жана башка автоматташтырылган системалар азыр машинаны үйрөнүү ыкмаларындагы жетишкендиктердин аркасында бул талаптарды чече алат. Компаниялар күнүмдүк жана аз артыкчылыктуу иш-аракеттерди автоматташтыруу аркылуу жогорку деңгээлдеги кардарларды колдоо үчүн кызматкерлерди бошотушу мүмкүн.
Туура колдонулганда, бизнесте машинаны үйрөнүү маселени чечүүнү жөнөкөйлөштүрүүгө жана керектөөчүлөрдү ишенимдүү бренд чемпионуна айлантууга жардам берет.
3. байланыш
Каталардан жана жаңылыш түшүнүктөн качуу баарлашуунун бардык түрүндө маанилүү, бирок азыркы бизнес коммуникацияларында дагы маанилүү.
Жөнөкөй грамматикалык каталар, туура эмес обон же ката котормолор электрондук почта менен байланышууда, кардарларды баалоодо бир катар кыйынчылыктарды жаратышы мүмкүн. Видео конференция, же көптөгөн формадагы текстке негизделген документтер.
Машина үйрөнүү системалары Microsoftтун Клиппинин эң оор күндөрүнөн да өнүккөн байланышка ээ.
Бул машина үйрөнүү мисалдары адамдарга табигый тилди иштетүү, реалдуу убакыт режиминде тил которуу жана кепти таануу аркылуу жөнөкөй жана так баарлашууга жардам берди.
Көптөгөн адамдар автотүзөтүү мүмкүнчүлүктөрүн жактырбаганы менен, ыңгайсыз каталардан жана туура эмес тондордон коргонууну баалайт.
4. Объектти таануу
Маалыматтарды чогултуу жана интерпретациялоо технологиясы бир аз убакыттан бери пайда болгонуна карабастан, компьютердик системаларды алар карап жаткан нерсени түшүнүүгө үйрөтүү алдамчы татаал маселе болуп чыкты.
Машина үйрөнүү тиркемелеринен улам, объектилерди таануу мүмкүнчүлүктөрү көбөйүп бараткан түзмөктөргө кошулууда.
Мисалы, өзүн-өзү башкара турган унаа башка унааны көргөндө тааныйт, ал тургай, программисттер ага шилтеме катары колдонуу үчүн ошол машинанын так мисалын бербесе да.
Бул технология азыр чекене соода ишканаларында текшерүү процессин тездетүүгө жардам берүү үчүн колдонулууда. Камералар керектөөчүлөрдүн арабаларындагы өнүмдөрдү аныктайт жана алар дүкөндөн чыкканда алардын эсебине автоматтык түрдө эсеп коё алат.
5. Санариптик маркетинг
Бүгүнкү маркетингдин көбү онлайн режиминде, бир катар санариптик платформаларды жана программалык программаларды колдонуу менен жүргүзүлөт.
Ишкерлер керектөөчүлөрү жана алардын сатып алуу жүрүм-туруму жөнүндө маалыматты чогулткандыктан, маркетинг топтору бул маалыматты алардын максаттуу аудиториясынын деталдуу сүрөтүн түзүү жана алардын өнүмдөрүн жана кызматтарын издөөгө кайсы адамдар көбүрөөк ыктаарын аныктоо үчүн колдоно алышат.
Машиналарды үйрөнүү алгоритмдери маркетологдорго ошол маалыматтардын баарын түшүнүүгө, мүмкүнчүлүктөрдү катуу категориялоого мүмкүндүк берген маанилүү үлгүлөрдү жана атрибуттарды табууга жардам берет.
Ошол эле технология чоң санариптик маркетингди автоматташтырууга мүмкүндүк берет. Жарнама системалары жаңы болочок керектөөчүлөрдү динамикалык түрдө табуу жана аларга керектүү убакта жана керектүү маркетинг мазмунун берүү үчүн түзүлүшү мүмкүн.
Машина үйрөнүүнүн келечеги
Машиналарды үйрөнүү, албетте, популярдуулукка ээ болууда, анткени көбүрөөк ишканалар жана ири уюмдар технологияны конкреттүү көйгөйлөрдү чечүү үчүн же инновацияны күйгүзүү үчүн колдонушат.
Бул үзгүлтүксүз инвестиция машинаны үйрөнүү ROI өндүрүп жатканын түшүнүүнү көрсөтүп турат, айрыкча, жогоруда айтылган жана кайталануучу колдонуу учурлары аркылуу.
Анткени, технология Netflix, Facebook, Amazon, Google Карталар жана башкалар үчүн жетиштүү болсо, анда ал сиздин компанияңызга өзүнүн маалыматтарын максималдуу түрдө пайдаланууга жардам берет.
Жаңы эле машина үйрөнүү моделдер иштелип чыккан жана ишке киргизилген, биз бардык тармактарда колдонула турган колдонмолордун санынын өсүшүнө күбө болобуз.
Бул мурунтан эле болуп жатат бет таануу, ал бир кезде iPhone'уңузда жаңы функция болгон, бирок азыр программалардын жана тиркемелердин кеңири спектрине, өзгөчө коомдук коопсуздукка байланыштуу ишке ашырылууда.
Машина үйрөнүүнү баштоого аракет кылып жаткан көпчүлүк уюмдардын ачкычы - бул жаркыраган футуристтик көрүнүштөрдү карап чыгуу жана технология сизге жардам бере турган чыныгы бизнес көйгөйлөрүн табуу.
жыйынтыктоо
Постиндустриализацияланган доордо окумуштуулар жана адистер өздөрүн адамдарга окшоштурган компьютерди түзүүгө аракет кылып жатышат.
Ой жүгүртүү машинасы – бул AIнын адамзатка кошкон эң маанилүү салымы; Бул өзү жүрүүчү машинанын укмуштуудай келиши корпоративдик иштөө эрежелерин тез өзгөрттү.
Өзү башкаруучу унаалар, автоматташтырылган жардамчылар, автономдуу өндүрүш кызматкерлери жана акылдуу шаарлар акыркы убакта акылдуу машиналардын жашоого жөндөмдүүлүгүн көрсөтүштү. Машина үйрөнүү революциясы жана машина үйрөнүүнүн келечеги биз менен узак убакыт бою болот.
Таштап Жооп